cross_entropy_error(y, t)和accuracy_function(y, t)对于正确解（数组版）的应用_accuracy function

什么是好代码？

• 代码不能写死
• 代码要留出入口来

要有良好的复用性

要有良好的兼容性，不管是对于一维向量，还是二维矩阵，都应该能根据实际情况准确的输出相应的值

损失函数：交叉熵误差

# 正确解是数组，区分输入是全部还是batch，都是二维矩阵，但是如果是一维向量，那就需要手动转为二维矩阵，才好使用numpy工具
def cross_entropy_error(y, t):
    if y.ndim == 1:
        y=y.reshape(1,y.size)# 将y转为二维矩阵，并命令行元素为数量个数
        t=t.reshape(1,t.size)

    # use batches
    batch_size = y.shape[0]
    return -np.sum(t * np.log(y + 1e-7)) / batch_size # 返回值只有一个，通过*完成数量积，然后sum计算
1
2
3
4
5
6
7
8
9

过程监督

不管是直接将测试集数据全部输入，还是使用batch抽取数据输入，输入的结果都是二维矩阵

结果监督

准确率计算

def accuracy_function(y, t):
    accuracy_count = 0
    predict_result = np.argmax(y, axis=1)
    correct_reslut = np.argmax(t, axis=1)

    for i in range(0, predict_result.shape[0]):
        if predict_result[i] == correct_reslut[i]:
            accuracy_count = accuracy_count + 1

    return accuracy_count / y.shape[0] * 100
1
2
3
4
5
6
7
8
9
10

过程监督

思考

不管是将训练集数据一次性全部输入

• 还是batch的方式输入

在计算预测结果的准确率的时候还是除以行元素的个数，所以准确率不会受到影响