0

所以通常在单标签分类中，我们使用如下

correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(self.label, 1))

但我正在使用多标签分类，所以我想知道如何在标签向量中有多个标签的情况下做到这一点。所以到目前为止我所拥有的如下

 a = tf.constant([0.2, 0.4, 0.3, 0.1])
 b = tf.constant([0,1.0,1,0])
 empty_tensor = tf.zeros([0])
 for index in range(b.get_shape()[0]):
     empty_tensor = tf.cond(tf.equal(b[index],tf.constant(1, dtype = 
     tf.float32)), lambda:  tf.concat([empty_tensor,tf.constant([index], 
     dtype = tf.float32)], axis = 0), lambda: empty_tensor)

 temp, _ = tf.setdiff1d([tf.argmax(a)], tf.cast(empty_tensor, dtype= tf.int64))
 output, _ = tf.setdiff1d([tf.argmax(a)], tf.cast(temp, dtype = tf.int64))

所以这给了我 max(preds) 发生的索引以及 self.label 中的 1。在上面的例子中，它给出了 [1]，如果 argmax 不匹配，那么我得到 []。

我遇到的问题是我不知道如何从那里开始，因为我想要以下内容

correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(self.label, 1))
self.accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))

这对于单标签分类很简单。

非常感谢

4

1 回答 1

1

我不认为你可以用 softmax 来实现这一点，所以我假设你正在使用 sigmoids 作为你的 preds。preds如果您使用 sigmoid，您的输出将（独立地）在 0 和 1 之间。您可以为每个定义一个阈值，可能是 0.5，然后label通过执行preds > 0.5.

如果预测为 [0 1] 且标签为 [1 1]，您想将其报告为完全错误还是部分错误？我将假设前者。在这种情况下，您将删除 tf.argmax 调用，而是检查preds和label是否完全相同的向量，看起来像tf.reduce_all(tf.equal(preds, label), axis=0). 对于后者，代码看起来像tf.reduce_sum(tf.equal(preds, label), axis=0).

于 2018-03-30T23:17:16.097 回答