tf.nn.in_top_k

最新推荐文章于 2019-10-23 20:33:45 发布

永久的悔

最新推荐文章于 2019-10-23 20:33:45 发布

阅读量179

点赞数 1

CC 4.0 BY-SA版权

分类专栏：自学函数or方法

本文链接：https://blog.youkuaiyun.com/qq_28053699/article/details/96484540

自学同时被 2 个专栏收录

23 篇文章

订阅专栏

函数or方法

8 篇文章

订阅专栏

本文通过示例详细解析了TensorFlow中tf.nn.in_top_k函数的工作原理及使用方法，帮助读者掌握如何评估预测结果与真实标签之间的匹配度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

$tf.nn.in\_top\_k(predictions, targets, k, name=None)$
$p r e d i c t i o n s$ ：你的预测结果（一般也就是你的网络输出值）大小是预测样本的数量乘以输出的维度。
$t a r g e t$ :实际样本类别的标签，大小是样本数量的个数。
$k$ ：每个样本中前 $K$ 个最大的数里面（序号）是否包含对应 $t a r g e t$ 中的值。

import tensorflow as tf

X=tf.Variable([[0.4,0.2,0.3,0.1],[0.1,0.1,0.2,0.6],[0.7,0.1,0.1,0.1]])
Y=tf.Variable([2,1,1])
k=tf.placeholder(tf.int32,shape=None)
result=tf.nn.in_top_k(X,Y,k)

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    print(sess.run(X))
    print(sess.run(Y))
    print(sess.run(result,feed_dict={k:1}))
    print(sess.run(result,feed_dict={k:2}))

#结果为：
#[[0.4 0.2 0.3 0.1]
   [0.1 0.1 0.2 0.6]
   [0.7 0.1 0.1 0.1]]
#[2 1 1]
#[False False False]
#[ True False  True]

分析一下结果
当 $k = 1$ 时，
$X$ 中 $[0.40.20.30.1]$ 最大元素为 $0.4$ ，索引为 $0$ ，而 $B$ 是 $2$ ，不包含 $B$ ，故 $F a l s e$
$[0.10.10.20.6]$ 最大元素为 $0.6$ ，索引为 $3$ ，B是 $1$ ，不包含 $B$ ，故 $F a l s e$
$[0.70.10.10.1]$ 最大元素为 $0.7$ ，索引为 $0$ ，B是 $1$ ，不包含 $B$ ，故 $F a l s e$
当 $k = 2$ 时，
$X$ 中 $[0.40.20.30.1]$ 最大的两个元素为 $0.4 、 0.3$ ，索引为 $0 、 2$ ， $B$ 为 $2$ ，故 $T r u e$ ，
$[0.10.10.20.6]$ 最大两个元素为 $0.6 、 0.2$ ，索引为 $3 、 2$ ， $B$ 是 $1$ ，不包含 $B$ ，故 $F a l s e$
$[0.70.10.10.1]$ 最大元素为 $0.7 ， 0.1$ ，索引为 $0 、 1$ ， $B$ 是 $1$ ，包含 $B$ ，故 $T r u e$