Python Numpy和#x27的Tensorflow等价物；s add.at（）方法

我正在计算一个多标签分类任务的混淆矩阵。代码如下所示：

def compute_key_metrics(sess,X_data,y_data):
    confusion_matrix = np.zeros([n_classes,n_classes],np.int32)
    n_examples = X_data.shape[0]

    for offset in range(0,n_examples,batch_size):
    X_batch = X_data[offset:offset+batch_size]
    y_batch = y_data[offset:offset+batch_size]

    y_predicted = sess.run(tf.arg_max(logits,1),feed_dict={X:X_batch, y:y_batch})
    is_prediction_correct = sess.run(correct_predictions,feed_dict={X:X_batch, y:y_batch})
    np.add.at(confusion_matrix,[y_batch,y_predicted],is_prediction_correct.astype(np.int32))

return confusion_matrix

---

我使用numpy.add.at（）来更新混淆矩阵的条目，而不显式地在预测的标签上循环。python实现相当慢。Tensorflow中有类似的方法吗

如果索引重复，并且缓冲的等价项错误，则需要添加.at。是的，它比缓冲版本慢，但仍然比显式Python级循环快。是的。你是对的。y_批次和y_预测通常包含重复指数。这就是我使用add.at（）的原因。我想知道是否可以使用一些Tensorflow API来做类似的事情。我想知道本地Tensorflow版本是否会更快。numpy已经编译好了。