给我一个tensorflow'；s tf.metrics.sparse\u平均值\u精度\u k

你能给我一个使用

tf.metrics.sparse\u average\u precision\u at_k

的代码示例吗？我在网上找不到任何东西…：(

如果我有这样一个多标签数据集（每个示例可能有多个目标标签）：

（课程总数=5）
y1=[等级0，等级1]
y2=[等级1，等级2]
y3=[class_0]

我的系统预测：

y1预测->[0.1,0.3,0.2,0.0,0.0]
y2预测->[0.0,0.3,0.7,0.4,0.4]
y3的预测->[0.1,0.3,0.2,0.3,0.5]

例如，我如何计算k=3

附言：如果你不能理解这个例子，请随意提出你自己的例子

---

编辑：到目前为止我的代码：

---

我真的不明白…请建议一个预测（仅y1）以及一次多个预测（每个预测中的真实类数不同）

---

tf.metrics.sparse\u average\u pred\u at_k

将替换为

tf.metrics.average\u precision\u at_k

。通过浏览中的代码，您会发现，当您的输入为

y\u true

和

y\u pred

时，此函数实际上将使用

y\u pred

将

转换为
y\u pred\u idx
top_k

功能

y\u true

是形状的张量（批次大小，数量标签），而

y\u pred

是形状的张量（批次大小，数量类别）

您还可以在本文中看到一些讨论，这个示例来自这个问题

import tensorflow as tf
import numpy as np

y_true = np.array([[2], [1], [0], [3], [0]]).astype(np.int64)
y_true = tf.identity(y_true)

y_pred = np.array([[0.1, 0.2, 0.6, 0.1],
                   [0.8, 0.05, 0.1, 0.05],
                   [0.3, 0.4, 0.1, 0.2],
                   [0.6, 0.25, 0.1, 0.05],
                   [0.1, 0.2, 0.6, 0.1]
                   ]).astype(np.float32)
y_pred = tf.identity(y_pred)

_, m_ap = tf.metrics.sparse_average_precision_at_k(y_true, y_pred, 3)

sess = tf.Session()
sess.run(tf.local_variables_initializer())

stream_vars = [i for i in tf.local_variables()]

tf_map = sess.run(m_ap)
print(tf_map)

print((sess.run(stream_vars)))

tmp_rank = tf.nn.top_k(y_pred,3)

print(sess.run(tmp_rank))

这一行

stream\u vars=[i for i in tf.local\u variables（）]

帮助您查看在

tf.metrics.sparse\u average\u precision\u at_k

函数中创建的

两个局部变量

这一行
tmp\u rank=tf.nn.top\u k（y\u pred，3）
通过更改
k
的值来帮助您理解，该值是在
tf.metrics.sparse\u average\u precision\u k
中使用的预测索引

您可以更改
k
的值以查看不同的结果，
tmp\u秩
表示用于计算平均精度的索引

例如：
当
k=1
时，只有第一批与标签匹配，因此
在1
处的平均精度将为
1/6=0.1666666
。
当
k=2
时，第三批也将与标签匹配，因此
在2处的平均精度将是
（1+（1/2））/6=0.25
，
我总是得到类似的结果：tensorflow.python.framework.errors\u impl.failedPredicateError:尝试使用未初始化的值average\u precision\u在4处/5处/total[[Node:average_precision_at_4_5/total/read=Identity[T=DT_DOUBLE，_class=[“loc:@average_precision_at_4_5/total”]，_device=“/job:localhost/replica:0/task:0/cpu:0”]（average_precision_at_at_4_5/total）]]在tensorflow中使用变量之前，您需要初始化变量，并且度量在内部使用局部变量。在任何会话之前运行
tf.local\u variables\u initializer（）.Run（）
。运行应该会起作用。我真的不明白……请建议一次预测（仅y1）以及同时进行多个预测（每个中的真实类数不同）-原始问题中的我的代码编辑。关于您的编辑，
tf.metrics.sparse\u average\u precision\u at_k
创建变量。当您在会话开始时运行
tf.local\u variables\u initializer
时，尚未生成任何局部变量。您需要在
sess.run（update）之前运行它
line，因为Tensorflow还不能进行时间旅行
metric, update = tf.metrics.sparse_average_precision_at_k(tf.stack(y1, y2, y3), tf.stack(p1, p2, p3), 3)
print session.run(update)

import tensorflow as tf
import numpy as np

y_true = np.array([[2], [1], [0], [3], [0]]).astype(np.int64)
y_true = tf.identity(y_true)

y_pred = np.array([[0.1, 0.2, 0.6, 0.1],
                   [0.8, 0.05, 0.1, 0.05],
                   [0.3, 0.4, 0.1, 0.2],
                   [0.6, 0.25, 0.1, 0.05],
                   [0.1, 0.2, 0.6, 0.1]
                   ]).astype(np.float32)
y_pred = tf.identity(y_pred)

_, m_ap = tf.metrics.sparse_average_precision_at_k(y_true, y_pred, 3)

sess = tf.Session()
sess.run(tf.local_variables_initializer())

stream_vars = [i for i in tf.local_variables()]

tf_map = sess.run(m_ap)
print(tf_map)

print((sess.run(stream_vars)))

tmp_rank = tf.nn.top_k(y_pred,3)

print(sess.run(tmp_rank))