tf.nn.in_top_k()-解析，以及不适用范围

1.in_top_k(predictions, targets, k, name=None)

Args:

predictions: 一种tf.float的张量。一个batch_size的x类张量。预测值，one-hot编码,size为[batch_size,label类别数]

如在cifar10的分类上为[128,10]

targets: 一个张量。必须是下列类型之一:int32, int64。size只有一维，也就意味着不能是one-hot编码的。理由举例就知道了

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 : 操作的名称(可选)。

举例：假设预测值logits为【10，5】的张量，5表示预测为5个类别，labels就为【10】

import tensorflow as tf

logits = tf.Variable(tf.random_normal([10,5],mean=0.0,stddev=1.0,dtype=tf.float32))
labels = tf.constant([0,2,0,1,0,0,4,0,3,0])
top_1_op = tf.nn.in_top_k(logits,labels,1)
top_2_op = tf.nn.in_top_k(logits,labels,2)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(logits.eval())
    print(labels.eval())
    print(top_1_op.eval())
    print(top_2_op.eval())

结果：

解读第一个top_1_op.eval()值False的来源;

首先看第一行，前1个最大的值的索引为1，而labels第一个值为0，不想等，所以为False.以此类推.......

解读第一个top_2_op.eval()值False的来源;

首先看第一行，前2个最大的值的索引分别为1和0，而labels第一个值为0，有一个与labels相等，所以为True.以此类推.......

从这个过程我们就可以知道，labels如果也是一个one-hot编码的话，即使找到logits前一个最大值的索引,你要同labels(假设为【0，0，1，0，0】)去比较值相等，显然是不可能的，因为labels本身就不是一个值，而是一个列表，你怎么将一个数和一个列表比较相不相等呢？所以，用这种方法labels是不能够用one-hot编码的。

举个错误的例子，将这里的labels改为one-hot编码。看看报错怎么样。

import tensorflow as tf

logits = tf.Variable(tf.random_normal([10,5],mean=0.0,stddev=1.0,dtype=tf.float32))
labels = tf.constant([0,2,0,1,0,0,4,0,3,0])
n_classes = 5
labels = tf.one_hot(labels, depth=n_classes)
print(labels)
top_1_op = tf.nn.in_top_k(logits,labels,1)
top_2_op = tf.nn.in_top_k(logits,labels,2)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(logits.eval())
    print(labels.eval())
    print(top_1_op.eval())
    print(top_2_op.eval())

Tensor("one_hot:0", shape=(10, 5), dtype=float32)

TypeError: Value passed to parameter 'targets' has DataType float32 not in list of allowed values: int32, int64