tf.nn.top_k（）与tf.nn.in_top_k（）区别

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

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
output = tf.nn.top_k(input, k)

with tf.Session() as sess:
    print(sess.run(input))
    print(sess.run(output))

输出结果：

输入参数：
input: 一个张量，数据类型必须是以下之一：float32、float64、int32、int64、uint8、int16、int8。数据维度是 batch_size 乘上 x 个类别。
k: 一个整型，必须 >= 1。在每行中，查找最大的 k 个值。
name: 为这个操作取个名字。

输出参数：
一个元组 Tensor ，数据元素是 (values, indices)，具体如下：
values: 一个张量，数据类型和 input 相同。数据维度是 batch_size 乘上 k 个最大值。
indices: 一个张量，数据类型是 int32 。每个最大值在 input 中的索引位置。

tf.nn.in_top_k(predictions, targets, k, name=None)

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。

import tensorflow as tf
import numpy as np

input = tf.constant(np.random.rand(3,4), tf.float32)
k = 2   #targets对应的索引是否在最大的前k(2)个数据中
output = tf.nn.in_top_k(input, [3,3,3], k)

with tf.Session() as sess:
    print(sess.run(input))
    print(sess.run(output))

输出结果：

输入数据
       predictions：预测的结果，预测矩阵大小为样本数×标注的label类的个数的二维矩阵。
       targets：实际的标签，大小为样本数。
       k：每个样本的预测结果的前k个最大的数里面是否包含targets预测中的标签，一般都是取1，即取预测最大概率的索引与标签对比。
       name：名字。
输出数据
     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。