净测量值
详细信息和选项
净测量值 是的扩展 分类器测量 和 预测值测量 它提供了一些特性，特别适合于神经网络。 例如，测量值都在网络的计算图中有效实现，并且可以在GPU上计算，这使得 净测量值 适用于训练网络时经常使用的大型数据集。 A类 网 可以是任何 网络链 , NetGraph（网络图形） , NetModel（网络模型） 或可提供给 NetTrain公司 . 这个 数据 可以采用任何形式 NetTrain公司 包括： -
{ 输入 1 输出 1 , 输入 2 输出 2 , … } 输入输出对列表 港口 1 { 数据 11 , … } , 港口 2 { … } , … 网络中每个端口对应的数据 “数据集” Wolfram数据存储库中的命名数据集 通常用作神经网络应用示例的命名数据集包括： -
“MNIST”（MNIST） 分类手写数字 “时尚达人” 服装商品的分类图像 “CIFAR-10” , “CIFAR-100” 真实物体的分类图像 “电影回顾” 带感情的电影评论片段 在命名数据集上测量等同于在上测量 资源数据 [ " 数据集 " , “测试集” ] . 测量可以有以下任何形式： -
" 测量 " 一个命名的 , 内置测量 NetPort（网络端口） [ " 输出 " ] 网络输出端口的值 NetPort（网络端口） [ { lspec公司 , " 输出 " } ] 网络内部激活值 < “测量” 规范 , … > 带有附加设置的测量 中的其他设置 < “测量” 规范 , … > 与的相同 培训进度测量 . 所有属性来自 问询处 可以用作内置测量。 对于包含 交叉熵损失层 ，提供以下内置测量： -
“准确性” 正确分类示例的分数 “准确性” n个 顶部有正确结果的示例的分数 n个 “ROC曲线下的区域” 每类ROC曲线下的面积 “科恩·卡帕” 科恩卡伯系数 “ConfusionMatrix” 计数 c（c） ij公司 类的 我 分类为类的示例 j个 “混淆矩阵图” 混淆矩阵图 “熵” nats中的熵测量 “错误率” 分类错误示例的分数 “错误率” n个 顶部有错误结果的示例的分数 n个 “F1分数” F类 1 每节课的分数 “FScore”（FScore） β F类 β 每节课的分数 “错误发现率” 每个类的错误发现率 “FalseNegativeNumber” 假阴性示例数 “FalseNegativeRate”（错误否定率） 每个类别的假阴性率 “漏报率” 每个类别的错误遗漏率 “FalsePositiveNumber” 假阳性例数 “FalsePositiveRate” 每类假阳性率 “知情” 每节课的信息性 “标记” 每类的标记性 “马修斯相关系数” 每个类别的马修斯相关系数 “负预测值” 每个等级的负预测值 “困惑” 熵的指数 “精度” 每个类别的精度 “召回” 每个类别的召回率 “ROC曲线” 接收机工作特性 ( 世界车王争霸赛 ) 每类曲线 “ROC曲线图” ROC曲线图 “斯科特皮” 斯科特π系数 “特异性” 每个类别的特殊性 “TrueNegativeNumber” 真负数 “TruePositiveNumber” 真阳性例数 对于包含 平均平方损失层 或 平均绝对损失层 ，提供以下内置测量： -
“分数差异未解释” 网络未解释的输出方差部分 “交集OverUnion” 边界框并集上的交集 “Mean偏差” 残差的平均绝对值 “平均方形” 残差的均方 “R方形” 决定系数 
“标准偏差” 残差均方根 支持以下选项： -
批量大小 自动 一批处理多少个示例 失去功能 自动 用于评估输出的损失函数 NetEvaluation模式 “测试” 培训特定层应如何表现 目标设备 “CPU” 执行测量的目标设备 工作精度 自动 浮点计算的精度
