Question

在tensorflow CNN tutorial中，它计算准确性，但我想从中利用混淆矩阵。

我立即想到了三种不同的方法：

我试着在tensorflow中直接计算预测结果而不是top_k_op，然后我可以利用sklearn。但我失败了，因为它使用了多个线程来计算（line 88）;
我尝试加载训练过的变量并给cifar10.inference新占位符，但又失败了，因为它将batch_image定义为输入（line 225）;

最后一种方法是定义一个新操作来替换line 128

float floatizeMe(unsigned int myNumba ) {
    //// myNumba comes in as 32 bits or 8 byte  

    unsigned int  sign = (myNumba & 0x007fffff) >>31;
    unsigned int  exponent = ((myNumba & 0x7f800000) >> 23)- 0x7F;
    unsigned int  mantissa = (myNumba & 0x007fffff) ;
    float  value = 0;
    float mantissa2; 

    cout << endl<< "mantissa is : " << dec << mantissa << endl;

    unsigned    int m1 = mantissa & 0x00400000 >> 23;
    unsigned    int m2 = mantissa & 0x00200000 >> 22;
    unsigned    int m3 = mantissa & 0x00080000 >> 21;
    unsigned    int m4 = mantissa & 0x00040000 >> 20;

    mantissa2 = m1 * (2 ^ -1) + m2*(2 ^ -2) + m3*(2 ^ -3) + m4*(2 ^ -4);

    cout << "\nsign is: " << dec << sign << endl;
    cout << "exponent is : " << dec << exponent << endl;
    cout << "mantissa  2 is : " << dec << mantissa2 << endl;

    // if above this number it is negative 
    if ( sign  == 1)
        sign = -1; 

    // if above this number it is positive 
    else {
        sign = 1;
    }

    value = (-1^sign) * (1+mantissa2) * (2 ^ exponent);
    cout << dec << "Float value is: " << value << "\n\n\n";

    return value;
}




  int main()
{   
    ifstream myfile("input.txt");
    if (myfile.is_open())
    {
        unsigned int a, b,b1; // Hex 
        float c, d, e; // Dec
        int choice; 

        unsigned int ex1 = 0;
        unsigned int ex2 = 1;
        myfile >> std::hex;
        myfile >> a >> b ;
        floatizeMe(a);
myfile.close();
return 0;

但我找不到合适的操作可以做到这一点。

这让我困扰了好几天。请帮忙。提前谢谢。

Answer 1

只有在运行＆＃39;推理后才能使用sklearn的confusion_matrix。在所有数据集上。这意味着，如果要修改eval_only函数，则应将所有分数累积到某个线程安全容器（列表）中。然后在所有线程停止后（第113行），您可以运行单一混淆矩阵计算。

此外，如果您想在图表中执行此操作，TensorFlow最近获得了您可以尝试使用的confusion_matrix op。也就是说，它只适用于批处理，因此您需要增加批处理以获得任何类型的解析或编写自定义聚合器。

tensorflow用混淆矩阵进行评估

1 个答案: