深度学习2.08.tensorflow的高阶操作之张量排序

文章目录

张量的排序
- 1.tf.sort-排序/tf.argsort-排序并返回索引
- 2.tf.math.top_k-最大值的前几个
- 3.Top-k-Accuracy-预测准确度

张量的排序

1.tf.sort-排序/tf.argsort-排序并返回索引

2.tf.math.top_k-最大值的前几个

3.Top-k-Accuracy-预测准确度

# 将无关信息屏蔽掉
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
tf.random.set_seed(2467)# output->[b,n] target->[b,]
def accuracy(output,target,topk=(1,)):maxk = max(topk)batch_size = target.shape[0]# 返回最大值前maxk个的索引pred = tf.math.top_k(output,maxk).indices# 转置pred = tf.transpose(pred,perm=[1,0])# 将target广播成pred形状target_ = tf.broadcast_to(target,pred.shape)# 比较correct = tf.equal(pred,target_)res = []for k in topk:correct_k = tf.cast(tf.reshape(correct[:k],[-1]),dtype=tf.float32)# print('123=',correct_k)correct_k = tf.reduce_sum(correct_k)acc = float(correct_k / batch_size)res.append(acc)return resif __name__ == '__main__':# 正态分布output = tf.random.normal([10,6])# 使6类概率总和为1output = tf.math.softmax(output,axis=1)# 均匀分布target = tf.random.uniform([10],maxval=6,dtype=tf.int32)print('prob:',output.numpy())pred = tf.argmax(output,axis=1)print('pred:',pred.numpy())print('label:',target.numpy())acc = accuracy(output,target,topk=(1,2,3,4,5,6))print('top-1-6 acc:',acc)

prob: [[0.25310278 0.21715644 0.16043882 0.13088997 0.04334083 0.19507109][0.05892418 0.04548917 0.00926314 0.14529602 0.66777605 0.07325139][0.09742808 0.08304427 0.07460099 0.04067177 0.626185   0.07806987][0.20478569 0.12294924 0.12010485 0.13751231 0.36418733 0.05046057][0.11872064 0.31072393 0.12530336 0.1552888  0.2132587  0.07670452][0.01519807 0.09672114 0.1460476  0.00934331 0.5649092  0.16778067][0.04199061 0.18141054 0.06647632 0.6006175  0.03198383 0.07752118][0.09226219 0.2346089  0.13022321 0.16295874 0.05362028 0.3263266 ][0.07019574 0.0861177  0.10912605 0.10521299 0.2152082  0.4141393 ][0.01882887 0.26597694 0.19122466 0.24109262 0.14920162 0.13367532]]
pred: [0 4 4 4 1 4 3 5 5 1]
label: [0 2 3 4 2 4 2 3 5 5]
top-1-6 acc: [0.4000000059604645, 0.4000000059604645, 0.5, 0.699999988079071, 0.800000011920929, 1.0]

深度学习2.08.tensorflow的高阶操作之张量排序相关推荐

深度学习（14）TensorFlow高阶操作三: 张量排序
深度学习(14)TensorFlow高阶操作三: 张量排序一. Sort, argsort 1. 一维Tensor 2. 多维Tensor 二. Top_k 三. Top-k accuracy(To ...
深度学习（16）TensorFlow高阶操作五: 张量限幅
深度学习(16)TensorFlow高阶操作五: 张量限幅 1. clip_by_value 2. relu 3. clip_by_norm 4. Gradient clipping 5. 梯度爆炸实 ...
深度学习（17）TensorFlow高阶操作六: 高阶OP
深度学习(17)TensorFlow高阶操作六: 高阶OP 1. Where(tensor) 2. where(cond, A, B) 3. 1-D scatter_nd 4. 2-D scatter ...
深度学习（15）TensorFlow高阶操作四: 填充与复制
深度学习(15)TensorFlow高阶操作四: 填充与复制 1. Pad 2. 常用于Image Padding 3. tile 4. tile VS broadcast_to Outline pa ...
深度学习（12）TensorFlow高阶操作一: 合并与分割
深度学习(12)TensorFlow高阶操作一: 合并与分割 1. concat 2. stack: create new dim 3. Dim mismatch 4. unstuck 5. spli ...
Tensorflow学习四---高阶操作
Tensorflow学习四-高阶操作 Merge and split 1.tf.concat 拼接 a = tf.ones([4,32,8]) b = tf.ones([2,32,8]) print( ...
python神经网络原理pdf_《深度学习原理与 TensorFlow实践》高清完整PDF版下载
1.封面介绍 2.出版时间 2019年7月 3.推荐理由本书介绍了深度学习原理与TensorFlow实践.着重讲述了当前学术界和工业界的深度学习核心知识:机器学习概论.神经网络.深度学习.着重讲述了 ...
常用深度学习框——Caffe/TensorFlow / Keras/ PyTorch/MXNet
常用深度学习框--Caffe/TensorFlow / Keras/ PyTorch/MXNet 一．概述近几年来,深度学习的研究和应用的热潮持续高涨,各种开源深度学习框架层出不穷,包括Tensor ...
深度学习原理与TensorFlow实践
深度学习原理与TensorFlow实践王琛,胡振邦,高杰著 ISBN:9787121312984 包装:平装开本:16开用纸:胶版纸正文语种:中文出版社:电子工业出版社出版时间:2017 ...
深度学习利器：TensorFlow与NLP模型
深度学习利器:TensorFlow与NLP模型享到:微博微信FacebookTwitter有道云笔记邮件分享稍后阅读我的阅读清单前言自然语言处理(简称NLP),是研究计算机处理人类语言的一门 ...

深度学习2.08.tensorflow的高阶操作之张量排序

文章目录

张量的排序

1.tf.sort-排序/tf.argsort-排序并返回索引

2.tf.math.top_k-最大值的前几个

3.Top-k-Accuracy-预测准确度

深度学习2.08.tensorflow的高阶操作之张量排序相关推荐

最新文章

热门文章