TensorFlow函数:tf.metrics.recall_at_top_k
2018-10-19 15:25 更新
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.