tensorflow API: nn.in_top_k 、top_k

对例子解释了一下,直接来吧：

tf.nn.top_k(input, k, name=None)

解释：这个函数的作用是返回 input 中每行最大的 k 个数，并且返回它们所在位置的索引。

import tensorflow as tf
import numpy as np

input = tf.constant(np.random.rand(3,4))
k = 2
"""输出的每行最大的k个数，还有k个数的索引等信息"""
output = tf.nn.top_k(input, k)
with tf.Session() as sess:
    print(sess.run(input))
    print(sess.run(output))

输出：

[[ 0.11658417  0.0049587   0.34396945  0.80061182]
 [ 0.94435975  0.54798914  0.52284388  0.05966983]
 [ 0.44605413  0.06890732  0.67666671  0.05019359]]
TopKV2(values=array([[ 0.80061182,  0.34396945],
       [ 0.94435975,  0.54798914],
       [ 0.67666671,  0.44605413]]), indices=array([[3, 2],
       [0, 1],
       [2, 0]]))

---

tf.nn.in_top_k(predictions, targets, k, name=None)
# Says whether the targets are in the top K predictions.

解释：这个函数的作用是返回一个布尔向量，说明目标值targets是否存在于预测值predictions最大的k个之中。
输出数据是一个 targets 长度的布尔向量，如果目标值存在于预测值之中，那么 out[i] = true。
注意：targets 是predictions中的索引位，并不是 predictions 中具体的值。

import tensorflow as tf
import numpy as np

"""给出targets=[1,1,1]，里面的每个元素代表各行的索引，在这个索引上的数是否是在该行的最大k个数里。最常用在mnist数据集最后对标签分类的准确率上"""
test = np.array([[4,3,1,2],[2,3,4,1]])
y = np.array([2,2])
with tf.Session() as sess:
    test_val= sess.run(tf.nn.in_top_k(test,y,1))
    print(test_val)

输出：

#因为k=1，相当于问test[0][2]是不是这一行最大的，test[1][2]是不是这一行最大的，所以结果是这样
[False  True]