1

如本期

tensorflow 的流式召回和精度并不意味着它们应该意味着什么

从这里的这个例子修改

predictions = tf.argmax(logits, 1)
labels = tf.squeeze(labels)
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({
    'Accuracy': slim.metrics.streaming_accuracy(predictions, labels),
    'Precision': slim.metrics.streaming_precision(predictions, labels),
    'Recall': slim.metrics.streaming_recall(predictions, labels),
    'Recall_5': slim.metrics.streaming_recall_at_k(logits, labels, 5),
    'Recall_3': slim.metrics.streaming_recall_at_k(logits, labels, 3),
    'Recall_1': slim.metrics.streaming_recall_at_k(logits, labels, 1),
    })

结果就像

2018-03-06 12:45:43.520961: I tensorflow/core/kernels/logging_ops.cc:79] eval/Recall_1[0.664843738]
2018-03-06 12:45:43.521368: I tensorflow/core/kernels/logging_ops.cc:79] eval/Recall[0.990521312]
2018-03-06 12:45:43.521429: I tensorflow/core/kernels/logging_ops.cc:79] eval/Recall_5[0.857031226]
2018-03-06 12:45:43.521487: I tensorflow/core/kernels/logging_ops.cc:79] eval/Precision[0.996820331]
2018-03-06 12:45:43.521537: I tensorflow/core/kernels/logging_ops.cc:79] eval/Accuracy[0.664843738]
2018-03-06 12:45:43.521584: I tensorflow/core/kernels/logging_ops.cc:79] eval/Recall_3[0.809375]

为什么 streaming_recall 和 streaming_precision 都是 99%，而准确率和 top 1 召回率是 66%。

某些事情与我们所知道的召回率和精度的已知含义严重不同 。为什么准确率与recall_1 相同，为什么recall 和recall_1 不同？

问题是如何更新 slimeval_image_classifier.py以使其计算非布尔值的 streaming_recall 和 streaming_precision 以及 f1 分数？

4

1 回答 1

2

可能是因为预测被转换为布尔值，这导致张量只有 True 值；那么召回是1。如果标签发生同样的事情，我可以理解精度是1。

于 2018-03-06T22:21:24.027 回答