深度学习笔记--top_k指标的计算

最新推荐文章于 2024-04-27 21:28:26 发布

纳兰小熊

最新推荐文章于 2024-04-27 21:28:26 发布

阅读量1k

点赞数 2

分类专栏：深度学习笔记文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_43863869/article/details/128973419

版权

深度学习笔记专栏收录该内容

24 篇文章 3 订阅

订阅专栏

文章介绍了Top_K准确率的概念，如top_1、top_5和top_10，用于衡量分类模型的性能。并提供了一个使用Python和torch库计算Top_K准确率的代码示例，该示例通过对类别概率排序并检查真实类别是否在前K个预测类别中来评估预测准确性。

摘要由CSDN通过智能技术生成

1--top_k指标的定义

常用的 top_k 指标有 top_1、top_5 和 top_10等;

top_1准确率：前1个概率最高的类别中，包括真实类别的准确率；

top_5准确率：前5个概率最高的类别中，包括真实类别的准确率；

top_10准确率：前10个概率最高的类别中，包括真实类别的准确率;

2--代码实现

import pickle
import pandas as pd
import torch

def top_k(score, label, top_k):
    # 对于每一个样本，从小到大排序其类别概率，并从小到大返回其索引值
    rank = score.argsort() 

    # for i, l in enumerate(label) 遍历返回样本 i 对应的真实标签值 l
    # l in rank[i, -top_k:] 判断 真实类别l 是否在前 k 个概率最大的类别中
    # 前k个概率最大的类别包含真实类别，视为预测正确，记为True
    # 前k个概率最大的类别不包含真实类别，视为预测错误，记为False
    hit_top_k = [l in rank[i, -top_k:] for i, l in enumerate(label)]

    # 统计预测正确的数目
    result = sum(hit_top_k) * 1.0 / len(hit_top_k)
    return result


if __name__ == "__main__":

    # score.shape: 样本数 × 类别数
    # label.shape: 样本数 × 1
    top_k(score, label, top_k = 5) # 计算top_5准确率