我一直在关注这个示例，我想知道这个准确率函数到底是如何工作的：
def compute_accuracy(y_true, y_pred):'''Compute classification accuracy with a fixed threshold on distances.''' pred = y_pred.ravel() < 0.5 return np.mean(pred == y_true)据我所知，在这种情况下，网络的输出将是两个对之间的距离。那么在这种情况下，我们如何计算准确率呢？“0.5”的阈值指的是什么？另外，我如何计算错误率呢？
回答：
似乎对该示例的理解上存在一些需要填补的空白：
如果你研究数据准备步骤（即create_pairs方法），你会发现正对（即属于同一类的样本对）被标记为1（即正/真），而负对（即属于不同类的样本对）被标记为0（即负/假）。
此外，示例中的Siamese网络设计成这样：给定一对样本作为输入，它将预测它们的距离作为输出。通过使用对比损失作为模型的损失函数，模型被训练成这样：当输入是正对时，预测一个小的距离值（因为它们属于同一个类，因此它们的距离应该低，即表达相似性），当输入是负对时，预测一个大的距离值（因为它们属于不同的类，因此它们的距离应该高，即表达不相似性）。作为练习，尝试通过考虑代码中对比损失的定义来确认这些点（即当y_true为1和y_true为0时）。
因此，示例中的准确率函数被实现为在预测的距离值，即y_pred上应用一个固定的任意阈值，即0.5（这意味着该示例的作者决定，小于0.5的距离值表示正对；你可以选择使用另一个阈值，但它应该基于实验/经验的合理选择）。然后结果将与真实标签值，即y_true进行比较：
-
当
y_pred低于0.5（y_pred < 0.5等于True）：如果y_true是1（即正的），那么这意味着网络的预测与真实标签一致（即True == 1等于True），因此该样本的预测将计入正确预测（即准确率）。然而，如果y_true是0（即负的），那么该样本的预测是不正确的（即True == 0等于False），因此这不会贡献到正确预测中。 -
当
y_pred等于或大于0.5（y_pred < 0.5等于False）：上述的推理同样适用（留作练习！）。
（注意：不要忘记模型是在样本批次上进行训练的。因此，y_pred或y_true不是单个值；相反，它们是值的数组，并且上述提到的所有计算/比较都是逐元素应用的）。
让我们看一个（虚构的）数值示例，关于一个包含5个样本对的输入批次，以及如何计算模型在这批次上的预测的准确率：
>>> y_pred = np.array([1.5, 0.7, 0.1, 0.3, 3.2])>>> y_true = np.array([1, 0, 0, 1, 0])>>> pred = y_pred < 0.5>>> predarray([False, False, True, True, False])>>> result = pred == y_true>>> resultarray([False, True, False, True, True])>>> accuracy = np.mean(result)>>> accuracy0.6