准确率与损失函数

• 1、准确率
  计算损失，希望ys每个数组是一维数组。
  原理 ： 比较多组样本中输出的结果最大值所在位置和真实值的最大值所在位置。
  API：np.argmax（a, axis=None, out=None）
  函数参数：返回axis维度的最大值的索引
  a ：输入一个array类型的数组。
  axis：参数为None时默认比较整个数组，参数为0按列比较，参数为1按行比较。
  使用方式：

#输入值
x=np.array(train_in).astype(np.float32)
y=np.array(train_out).astype(np.float32)
#输入值对应的占位变量
xs = tf.placeholder(tf.float32, [None,16])
ys = tf.placeholder(tf.float32, [None,8])
#预测值
pre = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
prediction = tf.nn.softmax(pre)

#tf.argmax分别找出真实值y和预测值y_label所对应的最大值所在的位置，通过tf.equal将两者位置进行对比，若一致，则返回true，即为1;不一致,则返回false，即为0。
equal_list=tf.equal(tf.argmax(y,1),tf.argmax (y_label,1))
#tf.cast将equal_list返回值转换为浮点型。tf.reduce_ mean表示求取平均值。
accuracy= tf.reduce_ mean(tf.cast(equal_list, tf float32)

• 2、损失函数
  计算准确率，希望ys每个数组是二维数组。

#ys表示目标值0,1表示，若是3类[0,0,1],1表示该类所在真值。y_true表示类别所对应的占位变量，y_predict表示预测值
cross = tf.reduce_mean(tf.nn.softmax_cross_entropy_ with_ logits(labels = ys,logits = y_predict))
#优化损失，损失越小越好。
optimizer = tf.train.GradientDescentOptimizer(1e-4).minimize(cross_entropy)