这两个准确性指标之间有什么区别？

Question

为了计算MNIST学习任务的准确性，我通常使用以下公式（下图中的灰线）：

correct_pred = tf.equal(tf.argmax(self.target_placeholder, 1), tf.argmax(prediction, 1))
self.accuracy = tf.reduce_mean(tf.to_float(correct_pred))

今天，我确实看到该（下图中的橙色线）有张量流度量标准：

_, self.accuracy = tf.metrics.accuracy(tf.argmax(self.target_placeholder, 1), tf.argmax(prediction, 1))

但是得到的精度始终是非常不同的：

使用tensorflow度量标准时，精度更平滑且更差。

这是为什么？

Answer 1

根据您的情节，我了解到您在训练期间比较了这两种选择。

第一个选项仅计算当前输入批次的准确性。这就解释了为什么该图有些嘈杂，尤其是在批量较小的情况下。从好的方面来说，它将始终是“最新的”，因为根据模型的当前状态，每一步的结果精度值为100％。

第二个选项实际上计算了运行平均值。它（以及tf.metrics模块中的其他选项）用于计算数据流（即不适合单个批次的数据集）的整体准确性。因此，它主要用于评估目的，在此情况下，您要检查在保留的数据集上已经训练的模型的准确性。在训练过程中使用它的情况下，它会计算运行平均值的事实说明了平滑度以及曲线“更糟”的事实：平均值始终包含训练开始时的值，而准确性显然非常高。低。