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.