Question

我使用相当标准的softmax输出，使用MXNet模型预测大约100K可能输出中的一个。我想比较分配给真实标签的概率与模型下的最高预测。为了得到前者，我使用了pick操作符;后来我尝试了便宜的版本（topk运营商）和昂贵的版本（sort / argsort + slice）。

在这两种情况下，我都会得到相互矛盾的结果。具体而言，存在许多情况，其中真实标签（用挑选检索）的概率显着高于最高概率输出（用topk / sort检索）。我认为这意味着我做错了什么但不明白什么。并非所有预测都会发生，但它确实存在很大一部分。

有人能给我一些关于发生了什么的提示吗？

代码如下：

for batch in data_iter:
    model.forward(batch, is_train=False)
    predictions = model.get_outputs()[0]
    labels = batch.label[0].as_in_context(predictions.context)

    # scores = mx.nd.topk(predictions, axis=1, k=6, ret_typ='value')
    scores = mx.nd.sort(predictions, axis=1, is_ascend=0)
    scores = mx.nd.slice_axis(scores, axis=1, begin=0, end=6)

    label_score = mx.nd.pick(predictions, labels, axis=1)
    equal = label_score.asnumpy() <= scores.asnumpy()[:, 0]

    if not np.all(equal):
        #I think this should never happen but it does frequently

Answer 1

使用MXNet 1.1.0进行测试，以下代码显示问题不会发生：

for _ in range(10):
    predictions = nd.random.uniform(shape=(100, 100000))
    labels = nd.array(np.random.randint(0, 99999, size=(100, 1)))

    scores = mx.nd.sort(predictions, axis=1, is_ascend=0)
    scores = mx.nd.slice_axis(scores, axis=1, begin=0, end=6)

    label_score = mx.nd.pick(predictions, labels, axis=1)
    equal = label_score.asnumpy() <= scores.asnumpy()[:, 0]

    if not np.all(equal):
        print("ERROR")

topk / sort和pick显然是矛盾的结果

1 个答案: