TensorFlow函数：tf.metrics.precision_at_k

tf.metrics.precision_at_k函数

tf.metrics.precision_at_k(
    labels,
    predictions,
    k,
    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相关的predictions精度@ k.

如果指定了class_id,我们通过仅考虑class_id在top-k的最高predictions中的批次的条目来计算精度,并计算它们当中class_id确实是正确标签的分数.如果class_id未指定,我们将计算精度,因为在批处理条目预测值最高的前k类中,平均一个类是正确的,并且可以在该条目的标签中找到.

precision_at_k创建两个局部变量,true_positive_at_<k>和false_positive_at_<k>,它们被用于计算精度@K个频率.此频率最终返回为precision_at_<k>：这是一个幂等操作,简单地将true_positive_at_<k>除以总的(true_positive_at_<k>+ false_positive_at_<k>).

为了估计数据流上的度量,该函数创建一个update_op操作来更新这些变量并返回precision_at_<k>.在内部,top_k操作计算Tensor,指示顶部k predictions.设置应用于top_k和labels,通过weights计算加权的true positives和false positives.然后update_op使用得到的值递增true_positive_at_<k>和false_positive_at_<k>.

如果weights是None,则权重默认为1,使用权重0来屏蔽值.

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；超出此范围的值将被忽略.
• predictions：具有形状[D1,... DN,num_classes]的浮点Tensor,其中N> = 1；通常,N = 1并且predictions具有形状[batch size, num_classes].最终维度包含每个类的logit值.[D1,... DN]必须匹配labels.
• k：整数,k表示@k metric.
• class_id：我们想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,其秩为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或者与相应的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：

• precision：标量float64 Tensor,值为true_positives除以true_positives和false_positives的值.
• update_op：适当增加true_positives和false_positives变量的操作,其值与precision匹配.

可能引发的异常：

• ValueError：如果weights不是None,并且它的形状与predictions不匹配,或者如果metrics_collections或updates_collections中任意一个不是一个列表或元组.
• RuntimeError：如果启用了急切执行.