tf.nn.in_top_k

$tf.nn.in\_top\_k(predictions,targets,k,name=None)$
$predictions$：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

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$False$
$[0.10.10.20.6]$最大元素为$0.6$，索引为$3$，B是$1$，不包含$B$，故$False$
$[0.70.10.10.1]$最大元素为$0.7$，索引为$0$，B是$1$，不包含$B$，故$False$
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$True$，
$[0.10.10.20.6]$最大两个元素为$0.6、0.2$，索引为$3、2$，$B$是$1$，不包含$B$，故$False$
$[0.70.10.10.1]$最大元素为$0.7，0.1$，索引为$0、1$，$B$是$1$，包含$B$，故$True$