Python 为什么在计算逻辑回归的准确度时使用“tf.reduce_mean”？

以下函数用于计算逻辑回归的准确性，但在此函数中使用

reduce\u mean

函数有什么意义

代码是：

import tensorflow as tf    
def accuracy(y_pred, y_true):
        # Predicted class is the index of the highest score in prediction vector (i.e. argmax).
    
        correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.cast(y_true, tf.int64))
    
        return tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

---

首先，请注意，度量或损失函数通常期望一批预测/真实标签作为输入。现在，如果相应的预测是正确的，

correct_prediction

的每个元素都是

True

；否则，它将

为False

。然后，

tf.cast（correct\u prediction，tf.float32）

将

True

值转换为1，将

False

值转换为0。因此，计算其平均值（即平均值）将等同于预测的准确性（尽管，作为范围[0,1]中的值，而不是百分比）

为了进一步阐明这一点，请考虑如下：

>>正确的预测
[真、假、假、真、真]#五分之三的预测是正确的
>>>tf.cast（正确的预测，tf.float32）
[1, 0, 0, 1, 1]
>>>减少平均值
0.6#这意味着60%的准确率，这是我们所期望的