Question

我在机器学习方面比较新，特别是在实现算法方面。我正在使用python和tensorflow库来实现一个神经网络来训练一个有大约20个类的数据集。我能够成功地训练和预测，但我有一个问题，

是否有可能使用张量流而不是单个预测来获得前k个类以及它们的概率？

如果有可能，怎么办呢？感谢您的指导。

更新01： 我正在添加我正在做的代码。所以我建立了一个神经网络，有3层，有tanh，sigmoid，＆amp; sigmoid分别作为隐藏层的激活函数和输出层的softmax。培训和预测的代码如下：

y_pred = None
    with tf.Session() as sess:
        sess.run(init)
        for epoch in range(training_epochs):            
            # running the training_epoch numbered epoch
            _,cost = sess.run([optimizer,cost_function],feed_dict={X:tr_features,Y:tr_labels})
            cost_history = np.append(cost_history,cost)
        # predict results based on the trained model
        y_pred = sess.run(tf.argmax(y_,1),feed_dict={X: ts_features})

现在y_pred是ts_features的每个测试示例的类标签列表。但是，我没有为每个测试示例获得1个单一类别的标签，而是希望每个示例都能获得前k个预测，每个k预测都伴随着某种概率。

Answer 1

使用tf.nn.top_k()：

top_k_values, top_k_indices = tf.nn.top_k(predictions, k=k)

如果predictions是每个类的概率向量（即predictions[i] = prediction probability for class i），则top_k_values将包含k中predictions个最高概率，{ {1}}将包含这些概率的索引，即相应的类。

假设在您的代码中，top_k_indices是每个类的预测概率的向量：

y_

从tensorflow获得top-k预测

1 个答案: