Keras.metrics中的categorical_accuracy()函数用于计算分类模型的分类准确度

Keras.metrics中的categorical_accuracy()函数用于计算分类模型的分类准确度。该函数将预测结果与真实标签进行比较，并计算出分类准确度。

下面是一个使用categorical_accuracy()函数的例子。

假设我们有一个包含10个类别的分类任务，我们已经训练好了一个模型，并用测试数据对其进行了评估。现在我们想要计算模型在测试数据上的分类准确度。

首先，导入必要的库并加载测试数据和模型。

import numpy as np
from keras.models import load_model

# 加载测试数据
X_test = ...
y_test = ...

# 加载模型
model = load_model('model.h5')

接下来，使用模型对测试数据进行预测，并将预测结果与真实标签进行比较。

# 对测试数据进行预测
y_pred = model.predict(X_test)

# 将预测结果和真实标签转换为one-hot编码
y_pred_onehot = np.argmax(y_pred, axis=1)
y_test_onehot = np.argmax(y_test, axis=1)

最后，调用categorical_accuracy()函数计算分类准确度。

# 使用categorical_accuracy()函数计算分类准确度
accuracy = categorical_accuracy(y_test_onehot, y_pred_onehot)

# 打印分类准确度
print('Accuracy:', accuracy)

在上述代码中，我们首先使用argmax()函数将预测结果和真实标签转换为one-hot编码（即将概率最大的类别转换为1，其余类别转换为0）。然后，我们调用categorical_accuracy()函数，传入转换后的预测结果和真实标签，计算分类准确度。最后，我们打印出分类准确度。

注意，categorical_accuracy()函数返回的是一个Tensor对象，我们需要通过eval()方法将其转换为实际的数值。

以上就是使用Keras.metrics中的categorical_accuracy()函数计算分类模型的分类准确度的例子。