TensorFlow函數(shù)：tf.metrics.average_precision_at_k

tf.metrics.average_precision_at_k函數(shù)

tf.metrics.average_precision_at_k(
    labels,
    predictions,
    k,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

定義在：tensorflow/python/ops/metrics_impl.py.

計算與稀疏labels相關的predictions的平均精度@k.

average_precision_at_k創(chuàng)建兩個局部變量,average_precision_at_<k>/total和average_precision_at_<k>/max,被用來計算頻率.這個頻率被最終返回為average_precision_at_<k>：一個冪等操作,簡單地將average_precision_at_<k>/total除以average_precision_at_<k>/max.

為了估計數(shù)據(jù)流上的度量,該函數(shù)創(chuàng)建一個update_op操作來更新這些變量并返回precision_at_<k>.在內(nèi)部,top_k操作計算Tensor,指示最高k predictions.設置應用于top_k和labels的操作來計算按weights加權的true positives和false positives的weights.然后update_op使用這些值遞增true_positive_at_<k>和false_positive_at_<k>.

如果weights是None,則權重默認為1,使用權重0來屏蔽值.

參數(shù)：

• labels：int64 Tensor或SparseTensor,具有形狀[D1,... DN,num_labels]或[D1,... DN],其中后者暗示num_labels = 1.N> = 1和num_labels是關聯(lián)預測的目標類的數(shù)量.通常,N = 1和labels具有形狀[batch_size,num_labels].[D1,... DN]必須匹配predictions.值應在[0,num_classes]范圍內(nèi),其中num_classes是predictions的最后一個維度.超出此范圍的值將被忽略.
• predictions：浮動Tensor具有形狀[D1,... DN,num_classes],其中N> = 1.通常,N = 1并且predictions具有形狀[batch size, num_classes].最終維度包含每個類的logit值.[D1,... DN]必須匹配labels.
• k：整數(shù),k代表@k metric.這將計算范圍[1,k]的平均精度,如上所述.
• weights：Tensor,秩為0或n-1,其中n是labels的秩.如果是后者,則必須是可廣播的labels(即,所有維度必須是1或與相應的labels維度相同).
• metrics_collections：應添加值的可選集合列表.
• updates_collections：應添加更新的可選集合列表.
• name：新更新操作的名稱,以及其他從屬操作的命名空間.

返回：

• mean_average_precision：具有平均精度值的標量float64張量.
• update：適當增加變量的操作,其值與metric匹配.

可能引發(fā)的異常：

• ValueError：如果k無效.
• RuntimeError：如果啟用了急切執(zhí)行.