tf.nn.in_top_k()的用法

最新推荐文章于 2021-06-17 06:50:41 发布
最新推荐文章于 2021-06-17 06:50:41 发布
阅读量1.4k 收藏 1
点赞数
分类专栏： 函数用法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012193416/article/details/77201344
版权

      tf.nn.in_top_k()中第一个参数是train data，第二个是labels，k一般取1，函数判断（0.6,0.5,111）中最大的111位于第2位，而labels中是1，显然不对应，返回False，在（0.1,0.6,0.4）中最大值是0.6，位于第1位，和labels中的1对应，则返回True。

      实际上labels大多采用one-hot encoding，这样就刚好对应起来了。


Kun Li
关注
专栏目录
Tensorflow 2.x(keras)源码详解之第九章：模型训练和预测的三种方法(fit&tf.GradientTape&train_step&tf.data)
weixin_43178406的博客
05-16 6万+
文章目录1. 模型训练和预测步骤2. 使用内置方法fit进行训练和评估2.1 简单案例解析2.2 compile编译2.3 处理非标准化的损失和评估指标：add_loss&add_metric2.4 自动切分验证集2.5 使用tf.data数据进行训练2.6 使用tf.keras.utils.Sequence数据进行训练2.7 多输出，指定不同的损失函数和评估指标2.8 样本不均衡：类权重和样本权重2.9 使用回调(callbacks)2.10 学习率衰减3. 从头开始编写循环训练3.1 fit源码
tf第七讲：模型保存与加载（tf.train.Saver()&tf.saved_model）及fine_tune(梯度冻结)
weixin_43178406的博客
03-10 2万+
本文主要介绍了tf第七讲：模型保存与加载（tf.train.Saver()&tf.saved_model）及fine_tune(梯度冻结)，希望能对学习TensorFlow的同学有所帮助。 本文讲解了tf中模型保存和加载的方法，方法共两种。一种为tf.train.Saver，一种为tf.saved_model。两种方法均详细讲解了如何保存，如何加载，并附有完整的代码实战。
TensorFlow函数：tf.nn.in_top_k()
qq_16540387的博客
03-18 477
in_top_k(predictions, targets, k, name=None) 函数的输入： predictions：预测的输出结果，预测矩阵的大小为样本数×类别的个数的二维矩阵。换句话说，矩阵的值就是每个样本属于各个类别的概率值。 targets：真实标注的类别值，大小为样本个数，即每个样本对应一个唯一的类别。 k：当k=1时，即就是某一样本预测属于某一最大概率的类，与该样本真...
tf.nn.in_top_k的用法
UESTC_C2_403的博客
06-13 2万+
tf.nn.in_top_k组要是用于计算预测的结果和实际结果的是否相等，返回一个bool类型的张量，tf.nn.in_top_k(prediction, target, K):prediction就是表示你预测的结果，大小就是预测样本的数量乘以输出的维度，类型是tf.float32等。target就是实际样本类别的标签，大小就是样本数量的个数。K表示每个样本的预测结果的前K个最大的数里面是否含有
tf.nn.top_k() tf.nn.in_top_k()
热门推荐
wuguangbin1230的博客
05-31 3万+
1..中文 tf.nn.top_k(input, k, name=None) 解释：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。 #!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np input = tf.co
tf.nn.top_k() 和 tf.nn.in_top_k() 函数的用法
gagaki的博客
05-19 616
tf.nn.top_k(input, k, name=None) 这个函数表示要返回input中每行元素最大的值，并返回它们的索引下标。 input：要输入的数 k:返回的最大值的个数 下面的例子中，input是一个2行3列的随机矩阵，每行元素的索引下标从0开始，分别是0，1，2， 当K=2时，表示要返回2个最大值，第一行的最大值为0.37547749，第二大为0.29199509，所以 第一行返回[0.37547749, 0.29199509]，它们的下标分别是1和0，返回下标数组[1, 0]。 第二
自动将代码升级到TensorFlow 2代码——tf_upgrade_v2.py
一摩尔自由的博客
10-09 6431
TensorFlow升级到2.0后给出了代码自动升级的脚本和使用方法，详情可见官网 TensorFlow官网：https://www.tensorflow.org/guide/upgrade 代码链接： tf_upgrade_v2.py # Copyright 2018 The TensorFlow Authors. All Rights Reserved. # # Licensed u...
tf第九讲：tensorboard可视化之tf.summary
weixin_43178406的博客
03-11 2万+
本文主要讲解了如何利用tensorboard对tf进行可视化，保存训练过程中产生的日志，并对日志进行可视化。通过loss、accuracy的可视化可以进一步判断模型的训练效果
tf.nn.top_k
weixin_34034670的博客
05-07 175
评估操作对于测量神经网络的性能是有用的。 由于它们是不可微分的，所以它们通常只是被用在评估阶段 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。 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、i...
tf.nn.in_top_k()
qiqiaiairen的博客
11-16 8425
tf.nn.in_top_k(predictions, targets, k, name=None) 判断target 是否在top k 的预测之中。 输出batch_size 大小的bool 数组，如果对目标类的预测在所有预测的top k 中，条目 out[i]=True。注意 InTopK 和 TopK 的操作是不同的。如果多个类有相同的预测值并且跨过了top-k 的边界，所有这些类都被认
tf.nn.in_top_k
健身房
06-17 177
  tf.nn.in_top_k用于计算预测的结果和实际结果的是否相等，并返回一个bool类型的张量： tf.nn.in_top_k(prediction, target, K) prediction：预测的结果，大小就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，大小就是样本数量的个数。 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。 import tensorflow as tf A = [[0.8, 0.6, 0.3], [0
tf.nn.top_k函数
Blssel的博客
03-30 3402
tf.nn.top_k 返回最内层一维（也就是最后一维）的前k个最大的元素，以及它所对应的索引。返回的值除了最后一维维度为k之外，其它维度维持原样。
tf.nn.sigmoid_cross_entropy_wi
最新发布
03-16
th_logits和tf.nn.softmax_cross_entropy_with_logits的区别是什么？ tf.nn.sigmoid_cross_entropy_with_logits和tf.nn.softmax_cross_entropy_with_logits都是用于计算交叉熵损失函数的方法，但是它们的计算方式略有不同。 tf.nn.sigmoid_cross_entropy_with_logits是用于二分类问题的损失函数，它的计算方式是将logits（即模型输出的未经过激活函数处理的结果）通过sigmoid函数转换为概率值，然后计算交叉熵损失。这个函数的输出值是一个标量。 tf.nn.softmax_cross_entropy_with_logits是用于多分类问题的损失函数，它的计算方式是将logits通过softmax函数转换为概率分布，然后计算交叉熵损失。这个函数的输出值是一个向量，其中每个元素对应一个类别的损失值。 因此，如果你的问题是二分类问题，就应该使用tf.nn.sigmoid_cross_entropy_with_logits；如果是多分类问题，就应该使用tf.nn.softmax_cross_entropy_with_logits。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值