tf.nn.in_top_k和tf.nn.top_k()的用法

tf.nn.in_top_k 

解释：这个函数的作用是返回一个布尔向量，说明目标值是否存在于预测值之中。

'''
    predictions: 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
    target:      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target中的值
    
'''
import tensorflow as tf
A = tf.Variable([[0.8, 0.4, 0.5, 0.6],[0.1, 0.9, 0.2, 0.4],[0.1, 0.9, 0.4, 0.2]])
B = tf.Variable([1, 1, 2])
result = tf.nn.in_top_k(A, B, 2)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(A))
    print(sess.run(B))
    print(sess.run(result))
#   k=1 [False True False]#   k=2 [False True True]
'''
    解释：
    k取1的时候：
         因为A中第一个元素的最大值为0.8,索引（序号）是0,而B是1,不包含B,所以返回False.
             A中第二个元素的最大值为0.9,索引（序号）是1,而B是1,包含B,所以返回True.
             A中第三个元素的最大值为0.9,索引（序号）是1,而B是2,不包含B,所以返回False.
    k取2的时候：
         因为A中前两个元素的最大值为0.8,0.6,索引（序号）是0,3,而B是1,不包含B，所以返回False.
             A中前两个元素的最大值为0.9,0.4,索引（序号）是1,3,而B是1,包含B,所以返回True.
             A中前两个元素的最大值为0.9,0.4,索引（序号）是1,2,而B是2,包含B,所以返回True.
'''

tf.nn.top_k()

tf.nn.top_k(
    input,
    k=1,
    sorted=True,
    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。

如果输入的是一个向量，也就是rank=1，找到最大的k个数在这个向量，则输出最大的k个数字和最大的这k个数字的下标。如果输入的张量是一个更高rank的矩阵，那么我们只要找到每一行的最大的k个数字，以及他们的下标。如果两个元素相同，那么低一点的下标先出现。

参数：

input:输入的tensor，不能是array这些啊！要么输入1-D，要是更高维度必须保证最后的一个维度长度必须大于等于K

k:0-D的int32的数字张量。

sorted:如果sorted=True，那么选出来的k个数字就需要按照降序的顺序排序

name:可选项，也就是这个操作的名字

返回：

values：也就是每一行的最大的k个数字

indices：这里的下标是在输入的张量的最后一个维度的下标

import tensorflow as tf
import numpy as np
 
#选出每一行的最大的前两个数字
#返回的是最大的k个数字，同时返回的是最大的k个数字在最后的一个维度的下标
a=tf.constant(np.random.rand(3,4))
b=tf.nn.top_k(a,k=2)
with tf.Session() as sess:
   print(sess.run(a))

结果：
[[0.41001266 0.88277785 0.57616844 0.46520008]
 [0.62866649 0.55638628 0.94319267 0.26693693]
 [0.05450942 0.32520777 0.09960993 0.66729146]]
TopKV2(values=array([[0.88277785, 0.57616844],
       [0.94319267, 0.62866649],
       [0.66729146, 0.32520777]]), indices=array([[1, 2],
       [2, 0],
       [3, 1]]))

import tensorflow as tf
import numpy as np
 

a=tf.constant(np.random.rand(3,4,3))
b=tf.nn.top_k(a,k=2)
with tf.Session() as sess:
   print(sess.run(a))
   print(sess.run(b))
结果：
TopKV2(values=array([[[0.51127848, 0.21136045],
        [0.90710233, 0.35295698],
        [0.74462195, 0.71343596],
        [0.98368278, 0.31890803]],

       [[0.9816314 , 0.97627116],
        [0.90231759, 0.19154434],
        [0.92794757, 0.18790949],
        [0.36879293, 0.15553872]],

       [[0.6699889 , 0.50476143],
        [0.46577973, 0.06038128],
        [0.85069354, 0.73808021],
        [0.63148579, 0.51741944]]]), indices=array([[[1, 0],
        [0, 1],
        [1, 0],
        [2, 0]],

       [[2, 0],
        [0, 2],
        [2, 1],
        [0, 1]],

       [[2, 0],
        [2, 1],
        [2, 0],
        [1, 2]]]))