'''
predictions: 你的预测结果(一般也就是你的网络输出值)大小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,大小是样本数量的个数
k: 每个样本中前K个最大的数里面(序号)是否包含对应target中的值
'''
import tensorflow as tf
A = tf.Variable([[0.8, 0.4, 0.5, 0.6],[0.1, 0.9, 0.2, 0.4],[0.1, 0.9, 0.4, 0.2]])
B = tf.Variable([1, 1, 2])
result = tf.nn.in_top_k(A, B, 2)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(A))
print(sess.run(B))
print(sess.run(result))
# k=1 [False True False]
# k=2 [False True True]
'''
解释:
k取1的时候:
因为A中第一个元素的最大值为0.8,索引(序号)是0,而B是1,不包含B,所以返回False.
A中第二个元素的最大值为0.9,索引(序号)是1,而B是1,包含B,所以返回True.
A中第三个元素的最大值为0.9,索引(序号)是1,而B是2,不包含B,所以返回False.
k取2的时候:
因为A中前两个元素的最大值为0.8,0.6,索引(序号)是0,3,而B是1,不包含B,所以返回False.
A中前两个元素的最大值为0.9,0.4,索引(序号)是1,3,而B是1,包含B,所以返回True.
A中前两个元素的最大值为0.9,0.4,索引(序号)是1,2,而B是2,包含B,所以返回True.
'''
tf.nn.in_top_k的用法
最新推荐文章于 2021-06-17 06:50:41 发布