深度学习评价指标代码

在深度学习模型评价中，常用的指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值（F1-score）、AUC（Area Under Curve）等。以下是示例代码，用于计算这些评价指标：

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score

# 预测结果和真实标签
y_pred = np.array([1, 0, 1, 1, 0])
y_true = np.array([1, 1, 0, 1, 0])

# 准确率
accuracy = accuracy_score(y_true, y_pred)
print("准确率：", accuracy)

# 精确率
precision = precision_score(y_true, y_pred)
print("精确率：", precision)

# 召回率
recall = recall_score(y_true, y_pred)
print("召回率：", recall)

# F1值
f1 = f1_score(y_true, y_pred)
print("F1值：", f1)

# AUC
auc = roc_auc_score(y_true, y_pred)
print("AUC：", auc)

以上代码使用了Scikit-learn库进行评价指标的计算。你可以将模型的预测结果（y_pred）和真实标签（y_true）替换为你的实际数据，然后运行代码即可得到相应的评价指标数值。