TensorFlow函数:tf.metrics.recall_at_top_k

tf.metrics.recall_at_top_k函数

tf.metrics.recall_at_top_k(
    labels,
    predictions_idx,
    k=None,
    class_id=None,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

定义在:tensorflow/python/ops/metrics_impl.py.

计算与稀疏labels有关的top-k的predictions的recall@k.

其与recall_at_k的不同之处在于,predictions必须采用top k索引的形式,而recall_at_k期望是logits.

参数:

  • labels:具有形状[D1,... DN,num_labels]或[D1,... DN]的int64 Tensor或SparseTensor,其中后者暗示num_labels = 1.N> = 1并且num_labels是关联预测的目标类的数量.通常,N = 1并且labels具有形状[batch_size,num_labels].[D1,... DN]必须匹配predictions.值应在[0,num_classes]范围内,其中num_classes是predictions的最后一个维度.超出此范围的值始终计入false_negative_at_<k>.
  • predictions_idx:具有形状[D1,... DN,k]的整数Tensor,其中N> = 1,通常,N = 1并且predictions具有形状[batch size, k].最终维度包含top k预测类别索引.[D1,... DN]必须匹配labels.
  • k:整数,k代表@k metric,仅用于默认操作名称.
  • class_id:我们需要二进制度量的整数类ID.这应该在[0,num_classes]范围内,其中num_classes是predictions的最后一个维度.如果class_id超出此范围,则该方法返回NAN.
  • weights:Tensor的秩为0或n-1,其中n是labels的秩.如果是后者,则必须是可广播的labels(即,所有维度必须为1或与相应的labels维度相同).
  • metrics_collections:应添加值的集合的可选列表.
  • updates_collections:应添加更新的集合的可选列表.
  • name:新更新操作的名称,以及其他从属操作的命名空间.

返回:

  • recall:标量float64 Tensor,其值为true_positives除以true_positives和false_negatives的和.
  • update_op:适当增加true_positives和false_negatives变量的操作,其值匹配recall.

可能引发的异常:

  • ValueError:如果weights不是None和它的形状不匹配predictions,或者如果metrics_collections或者updates_collections中的任意一个不是一个列表或元组.
以上内容是否对您有帮助:
在线笔记
App下载
App下载

扫描二维码

下载编程狮App

公众号
微信公众号

编程狮公众号

意见反馈
返回顶部