Desarrollo de Python
  1. Desarrollo de Python
  3. Tensor de flujo, cálculo de precisión de múltiples tags
Intereting Posts
¿Cuántos bytes por elemento hay en una lista de Python (tupla)? Ejemplo IB API de Python que no utiliza Ibpy Sklearn SVM: SVR y SVC, obteniendo la misma predicción para cada entrada ¿Por qué estas dos ‘x’ se refieren a diferentes variables? Lo que no se puede asignar a la función llamada media (python) Python prueba … excepto coma vs ‘como’ en excepto ¿Cuál es la relación entre el modelo de datos de Python y las funciones integradas? ¿Cómo escribir un byte hexadecimal en bruto a la salida estándar en Python 3? ¿Seleccionando a través de múltiples columnas con pandas python? Combina todos los archivos h5 usando h5py bloques – enviar entrada a la tubería de subproceso de Python Longitudes de borde especificadas en networkx / igraph (Python) ¿Cómo descargo automáticamente los archivos desde un cuadro de diálogo emergente utilizando Selenio-python? Calcula la sum de cada 5 elementos en una matriz de python ¿Cómo prueba que una función de Python lanza una excepción?

Tensor de flujo, cálculo de precisión de múltiples tags

Estoy trabajando en un problema de tags múltiples y estoy tratando de determinar la precisión de mi modelo.

Mi modelo: 

NUM_CLASSES = 361 x = tf.placeholder(tf.float32, [None, IMAGE_PIXELS]) y_ = tf.placeholder(tf.float32, [None, NUM_CLASSES]) # create the network pred = conv_net( x ) # loss cost = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits( pred, y_) ) # train step train_step = tf.train.AdamOptimizer().minimize( cost )

Quiero calcular la precisión de dos maneras diferentes.
-% de todas las tags que se pronostican correctamente -% de imágenes donde TODAS las tags se pronostican correctamente

desafortunadamente solo puedo calcular el% de todas las tags que se pronostican correctamente.

Pensé que este código calcularía el% de imágenes donde TODAS las tags se pronostican correctamente 

 correct_prediction = tf.equal( tf.round( pred ), tf.round( y_ ) ) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

y este código% de todas las tags que se pronostican correctamente 

 pred_reshape = tf.reshape( pred, [ BATCH_SIZE * NUM_CLASSES, 1 ] ) y_reshape = tf.reshape( y_, [ BATCH_SIZE * NUM_CLASSES, 1 ] ) correct_prediction_all = tf.equal( tf.round( pred_reshape ), tf.round( y_reshape ) ) accuracy_all = tf.reduce_mean( tf.cast(correct_prediction_all, tf.float32 ) )

de alguna manera se pierde la coherencia de las tags que pertenecen a una imagen y no estoy seguro de por qué.

Creo que el error en su código está en: correct_prediction = tf.equal( tf.round( pred ), tf.round( y_ ) ) .

pred debe ser logits sin escala (es decir, sin un sigmoide final).

Aquí desea comparar la salida de sigmoid(pred) y y_ (ambos en el intervalo [0, 1] ), por lo que debe escribir: 

 correct_prediction = tf.equal(tf.round(tf.nn.sigmoid(pred)), tf.round(y_))

Luego, para calcular:

  • Precisión media en todas las tags: 
 accuracy1 = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  • Precisión donde todas las tags deben ser correctas: 
 all_labels_true = tf.reduce_min(tf.cast(correct_prediction), tf.float32), 1) accuracy2 = tf.reduce_mean(all_labels_true) 
 # to get the mean accuracy over all labels, prediction_tensor are scaled logits (ie with final sigmoid layer) correct_prediction = tf.equal( tf.round( prediction_tensor ), tf.round( ground_truth_tensor ) ) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # to get the mean accuracy where all labels need to be correct all_labels_true = tf.reduce_min(tf.cast(correct_prediction, tf.float32), 1) accuracy2 = tf.reduce_mean(all_labels_true)

referencia: https://gist.github.com/sbrodehl/2120a95d57963a289cc23bcfb24bee1b