计算多分类模型准确率的Keras.metrics中的categorical_accuracy()函数

在Keras中，可以使用categorical_accuracy()函数来计算多分类模型的准确率。该函数接受两个输入参数：y_true和y_pred。y_true是真实标签，通常是一个one-hot编码的矩阵，其中每行表示一个样本的标签。y_pred是模型的预测输出，也是一个与y_true相同形状的矩阵，其中每行表示一个样本的预测结果。

categorical_accuracy()函数计算的是每个样本的预测结果与真实结果的匹配程度，如果一致则计为1，否则计为0。然后，它将所有样本的匹配程度求平均，得到模型的准确率。

下面是一个使用categorical_accuracy()函数计算准确率的例子：

import numpy as np
from keras.metrics import categorical_accuracy

# 定义一个随机的一批真实标签和预测结果
y_true = np.array([[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 0], [1, 0, 0]])
y_pred = np.array([[0.1, 0.1, 0.8], [0.2, 0.6, 0.2], [0.7, 0.3, 0], [0.3, 0.5, 0.2], [0.3, 0.4, 0.3]])

# 调用categorical_accuracy()函数计算准确率
accuracy = categorical_accuracy(y_true, y_pred)

# 打印准确率
print("准确率：", np.mean(accuracy))

上述例子中，y_true是一个5x3的矩阵，表示5个样本的真实标签。y_pred也是一个5x3的矩阵，表示5个样本的预测结果。例如， 个样本的真实标签是[0, 0, 1]，表示它属于第三个类别；预测结果是[0.1, 0.1, 0.8]，表示模型认为它属于第三个类别的概率最高。

将这些真实标签和预测结果传递给categorical_accuracy()函数，它将返回一个布尔型矩阵，表示每个样本的预测结果是否与真实结果一致。即：[[0, 0, 1, 0, 1]]。然后，我们使用numpy的mean函数将所有元素求平均，得到准确率。

需要注意的是，在使用categorical_accuracy()函数之前，我们应该将预测输出进行one-hot编码，以与真实标签的格式保持一致。如果模型的预测结果是K个概率值的向量，我们可以使用np.argmax()函数将其转换为K维的one-hot编码。