损失函数除了作为模型训练时候的优化目标，也能够作为模型好坏的一种评价指标。
但评估指标不一定可以作为损失函数，例如AUC,Accuracy,Precision。因为评估指标不要求连续可导，而损失函数通常要求连续可导。

编译模型时(compile阶段)，可以通过列表形式指定多个评估指标。
如果有需要，也可以自定义评估指标。

在tensorflow中，评估指标都被封装在了tf.keras.metrics下

1、常见的内置评估指标

  • MeanSquaredError（平方差误差，用于回归，可以简写为MSE，函数形式为mse）
  • MeanAbsoluteError (绝对值误差，用于回归，可以简写为MAE，函数形式为mae)
  • MeanAbsolutePercentageError (平均百分比误差，用于回归，可以简写为MAPE，函数形式为mape)
  • RootMeanSquaredError (均方根误差，用于回归)
  • Accuracy (准确率，用于分类，可以用字符串”Accuracy”表示，Accuracy=(TP+TN)/(TP+TN+FP+FN)，要求y_true和y_pred都为类别序号编码)
  • Precision (精确率，用于二分类，Precision = TP/(TP+FP))
  • Recall (召回率，用于二分类，Recall = TP/(TP+FN))
  • TruePositives (真正例，用于二分类)
  • TrueNegatives (真负例，用于二分类)
  • FalsePositives (假正例，用于二分类)
  • FalseNegatives (假负例，用于二分类)
  • AUC(ROC曲线(TPR vs FPR)下的面积，用于二分类，直观解释为随机抽取一个正样本和一个负样本，正样本的预测值大于负样本的概率)
  • CategoricalAccuracy（分类准确率，与Accuracy含义相同，要求y_true(label)为onehot编码形式）
  • SparseCategoricalAccuracy (稀疏分类准确率，与Accuracy含义相同，要求y_true(label)为序号编码形式)
  • MeanIoU (Intersection-Over-Union，常用于图像分割)
  • TopKCategoricalAccuracy (多分类TopK准确率，要求y_true(label)为onehot编码形式)
  • SparseTopKCategoricalAccuracy (稀疏多分类TopK准确率，要求y_true(label)为序号编码形式)
  • Mean (平均值)
  • Sum (求和)

2、自定义损失函数