Question

我在tensorflow中创建了一个神经网络。这个网络是多标签的。 Ergo：它尝试为一个输入集预测多个输出标签，在本例中为三个。目前，我使用此代码来测试我的网络在预测三个标签时的准确度：

_, indices_1 = tf.nn.top_k(prediction, 3)
_, indices_2 = tf.nn.top_k(item_data, 3)
correct = tf.equal(indices_1, indices_2)
accuracy = tf.reduce_mean(tf.cast(correct, 'float'))
percentage = accuracy.eval({champion_data:input_data, item_data:output_data})

该代码工作正常。现在的问题是我试图创建代码来测试它在indices_1中找到的前3个项目是否属于indices_2中的前5个图像。我知道tensorflow有一个in_top_k（）方法，但据我所知，它不接受多标记。目前我一直试图使用for循环来比较它们：

_, indices_1 = tf.nn.top_k(prediction, 5)
_, indices_2 = tf.nn.top_k(item_data, 3)
indices_1 = tf.unpack(tf.transpose(indices_1, (1, 0)))
indices_2 = tf.unpack(tf.transpose(indices_2, (1, 0)))
correct = []
for element in indices_1:
    for element_2 in indices_2:
        if element == element_2:
            correct.append(True)
        else:
            correct.append(False)
accuracy = tf.reduce_mean(tf.cast(correct, 'float'))
percentage = accuracy.eval({champion_data:input_data, item_data:output_data})

但是，这不起作用。代码运行但我的准确度始终为0.0。

所以我有两个问题之一：

1）是否有一个简单的替代in_top_k（）接受我可以使用的多标签分类而不是自定义编写代码？

2）如果不是1：我做错了什么导致我得到0.0的准确度？

Answer 1

当你这样做时

correct = tf.equal(indices_1, indices_2)

您不仅检查这两个索引是否包含相同的元素，而且它们是否包含相同位置的相同元素。这听起来不像你想要的那样。

setdiff1d操作将告诉您哪些索引在indices_1中但不在indices_2中，然后您可以使用它来计算错误。

我认为对正确性检查过于严格可能是导致错误结果的原因。

测试张量流网络：in_top_k（）替换多标签分类

1 个答案: