import tensorflow as tf

tf.random.set_seed(2467)  # 随机种子，我也没搞明白是什么玩意

output = tf.random.normal([10, 6])  # 模拟预测的结果，10个样本，6类分类
output = tf.math.softmax(output, axis=1)  # 使得每一行的总和为1（归一化的感觉）
target = tf.random.uniform([10], maxval=6, dtype=tf.int32)  # 10个样本的真实标签
print(‘原始数据:‘, output.numpy())
pred = tf.argmax(output, axis=1)  # 10个样本预测的类别是
print(‘预测类别:‘, pred.numpy())
print(‘实际类别:‘, target.numpy())


def accuracy(output, target, topk=(1,)):  # 定义求精确度的函数
    maxk = max(topk)  # maxk=6
    batch_size = target.shape[0]  # batch_size的值为10

    pred = tf.math.top_k(output, maxk).indices  # 获得每个样本最符合的前6个类别的索引 (10,6)
    pred = tf.transpose(pred, perm=[1, 0])  # 转置一下pred矩阵  （6，10）
    target_ = tf.broadcast_to(target, pred.shape)  # 将真实类别广播到相同大小的矩阵，方便比较  (6,10)
    correct = tf.equal(pred, target_)  # 得到一个由True和False组成的（6，10）的矩阵

    res = []  # 这是要返回的精确值
    for k in topk:
        #  计算前k行的所有1的和，所有预测对的值
        correct_k = tf.reduce_sum(tf.cast(tf.reshape(correct[:k], [-1]), dtype=tf.int32))
        acc = float(correct_k / batch_size)  # 求精确度
        res.append(acc)
    return res


acc = accuracy(output, target, topk=(1, 2, 3, 4, 5, 6))
print(‘top1-6的accuracy是：‘, acc)

Neural Network 学习3 Top-k的学习实例