tf.nn.in_top_k的用法
原型:
tf.nn.in_top_k(predictions, targets, k, name=None)
''' 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. '''
posted on 2018-05-28 11:53 Magic_chao 阅读(...) 评论(...) 编辑 收藏