tf.nn.in_top_k的用法

---

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

作用：判断predictions中的预测结果是否与target中的真值一致

参数：

predictions:

输入tensor, 类型为tf.float32, 一般为全连接层fc的输出(op)或者softmax的输出(op),

shape= [样本个数，每个样本的预测概率向量维度(类别数)]

targets:

输入tensor,类型为tf.int32，样本的真值，

shape=[样本个数，每个样本的类别]

k:

指定比较predictions与target的时候，取top的个数

返回值：

bool型向量，表示每个样本是否预测正确

举例：

import tensorflow as tf

＃输入概率向量的占位符，２行３列，２个样本，每个样本的概率向量３维（３类）
input = tf.placeholder(dtype=tf.float32, shape = [2,3], name = "input")
＃输入真值的占位符，２行１列，每个样本的真值（值为类别序号，0,1,2）
label = tf.placeholder(tf.int32, shape=[2], name = "label")

#构造输出层，in_top_k
true_count = tf.nn.in_top_k(input, label, 1)

input_tensor = [[0.8,0.3,0.1], [0.2, 0.9, 0.4]]
label_tensor = [1,1]

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    true_num = sess.run([true_count], feed_dict = {input:input_tensor, label:label_tensor})
    print true_num

输出：

[array([False,  True])]

分析：

input_tensor中第一个样本的概率预测值[0.8,0.3,0.1], top-1（0.8）的类别为０, label_tensor中第一个样本的真值为1, 所以返回值False.

input_tensor中第二个样本的概率预测值[0.２,0.９,0.４], top-1（0.９）的类别为１, label_tensor中第一个样本的真值为1, 所以返回值True.

---