categorical_accuracy和sparse_categorical_accuracy的不同之处

Question

在Keras中，categorical_accuracy和sparse_categorical_accuracy有什么区别？在这些指标的文档中没有任何提示，通过询问谷歌博士，我也没有找到答案。

源代码可以找到这里

def categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.argmax(y_true, axis=-1),
                          K.argmax(y_pred, axis=-1)),
                  K.floatx())


def sparse_categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.max(y_true, axis=-1),
                          K.cast(K.argmax(y_pred, axis=-1), K.floatx())),
                  K.floatx())

Answer 1

看着来源

def categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.argmax(y_true, axis=-1),
                          K.argmax(y_pred, axis=-1)),
                  K.floatx())


def sparse_categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.max(y_true, axis=-1),
                          K.cast(K.argmax(y_pred, axis=-1), K.floatx())),
K.floatx())

categorical_accuracy检查最大真值的指数是否等于最大预测值的指数。

sparse_categorical_accuracy检查最大真值是否等于最大预测值的指数。

根据Marcin上面的答案，categorical_accuracy对应于one-hot编码的y_true载体。

Answer 2

因此，在categorical_accuracy中，您需要将目标(y)指定为一个热编码向量(例如，在3个类的情况下，当一个真正的类是第二类时，y应该是(0, 1, 0)。在sparse_categorical_accuracy中，您只需要提供真正类的整数(在前面的示例中--因为类索引是0-based)，这将是1。

Answer 3

sparse_categorical_accuracy期望稀疏目标

[[0], [1], [2]]

例如：

import tensorflow as tf

sparse = [[0], [1], [2]]
logits = [[.8, .1, .1], [.5, .3, .2], [.2, .2, .6]]

sparse_cat_acc = tf.metrics.SparseCategoricalAccuracy()
sparse_cat_acc(sparse, logits)

<tf.Tensor: shape=(), dtype=float64, numpy=0.6666666666666666>

categorical_accuracy期望一个热编码目标

[[1., 0., 0.],  [0., 1., 0.], [0., 0., 1.]]

例如：

onehot = [[1., 0., 0.],  [0., 1., 0.], [0., 0., 1.]]
logits = [[.8, .1, .1], [.5, .3, .2], [.2, .2, .6]]

cat_acc = tf.metrics.CategoricalAccuracy()
cat_acc(sparse, logits)

<tf.Tensor: shape=(), dtype=float64, numpy=0.6666666666666666>