Python Tensorflow，多标签精度计算

我正在处理一个多标签问题，并试图确定我的模型的准确性

我的模型：

NUM_CLASSES=361
x=tf.placeholder（tf.float32，[无，图像像素]）
y=tf.placeholder（tf.float32，[None，NUM\u类]）
#创建网络
pred=转换网络（x）
#损失
成本=tf.reduce\u均值（tf.nn.sigmoid\u交叉\u熵\u与logits（pred，y））
#火车站
训练步骤=tf.train.AdamOptimizer（）。最小化（成本）

我想用两种不同的方法计算精度
-正确预测的所有标签的百分比 -正确预测所有标签的图像百分比

不幸的是，我只能计算正确预测的所有标签的百分比

我认为这段代码将计算所有标签正确预测的图像的百分比

correct_prediction=tf.equal（tf.round（pred），tf.round（y)））
准确度=tf.reduce_平均值（tf.cast（正确的预测，tf.float32））

此代码占正确预测的所有标签的%

pred_restrape=tf.restrape（pred，[BATCH_SIZE*NUM_CLASSES，1]）
y_整形=tf.reforme（y_，[BATCH_SIZE*NUM_CLASSES，1]）
正确的预测值=tf.equal（tf.round（pred_整形）、tf.round（y_整形））
准确度=tf.reduce平均值（tf.cast（correct\u prediction\u all，tf.float32））

---

不知何故，属于一个图像的标签的一致性丢失了，我不知道为什么。

我相信代码中的错误在于：

correct\u prediction=tf.equal（tf.round（pred），tf.round（y））

pred

应该是无标度logits（即没有最终的乙状结肠）

在这里，您要比较

sigmoid（pred）

和

y

（两者都在

[0,1]

的间隔内）的输出，因此您必须编写：

correct_prediction=tf.equal（tf.round（tf.nn.sigmoid（pred）），tf.round（y)）

---

然后计算：

• 所有标签的平均精度：

accuracy1=tf.reduce\u平均值（tf.cast（correct\u prediction，tf.float32））

• 所有标签需要正确的准确度：

all\u labels\u true=tf.reduce\u min（tf.cast（correct\u prediction），tf.float32），1）
精度2=tf.减少平均值（所有标签均为真）

---

参考资料：

Thank的工作原理很有魅力，我是否正确理解reduce\u min将一张图像的所有标签打包在一起？它将对批次中的每个元素进行最低限度的正确预测。如果所有元素均为1（即所有预测均正确），则最小值为1；如果至少有一个元素为假（且等于0），则最小值为0。我尝试了这种方法，但每个历元的精度值相同：

列车精度：0.984375测试精度：0.984375

。知道为什么会这样吗？回答得很好，有一点困惑：多标签分类的成本/损失函数是什么？如果可以的话，请在回答中加上它。@AyodhyankitPaul，MaMiFrea的成本函数适用于多标签分类：成本=tf.reduce\u均值（tf.nn.sigmoid\u cross\u entropy\u with_logits（pred，y））

# to get the mean accuracy over all labels, prediction_tensor are scaled logits (i.e. with final sigmoid layer)
correct_prediction = tf.equal( tf.round( prediction_tensor ), tf.round( ground_truth_tensor ) )
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# to get the mean accuracy where all labels need to be correct
all_labels_true = tf.reduce_min(tf.cast(correct_prediction, tf.float32), 1)
accuracy2 = tf.reduce_mean(all_labels_true)