用于多标签分类的 Tensorflow Argmax 等效项

Question

我想对分类 Tensorflow 模型进行评估。

为了计算准确性，我有以下代码：

predictions = tf.argmax(logits, axis=-1, output_type=tf.int32)
accuracy = tf.metrics.accuracy(labels=label_ids, predictions=logits)

它在单标签分类中效果很好，但现在我想做多标签分类，我的标签是整数数组而不是整数。

这是一个存储在label_ids 中的标签[0, 1, 1, 0, 1, 0] 的示例，以及来自张量logits 的预测[0.1, 0.8, 0.9, 0.1, 0.6, 0.2] 的示例

我应该使用什么函数来代替argmax 这样做？ （我的标签是 6 个整数的数组，值为 0 或 1）

如果需要，我们可以假设阈值为 0.5。

Answer 1

在 tensorflow 之外进行这种类型的后处理评估可能会更好，在这种情况下尝试几个不同的阈值更自然。

如果你想在tensorflow中做，可以考虑：

predictions = tf.math.greater(logits, tf.constant(0.5))

对于所有大于 0.5 的条目，这将返回原始 logits 形状的张量，其值为 True。然后，您可以像以前一样计算准确性。这适用于给定样本的多个标签可以同时为真的情况。

Answer 2

使用以下代码来确定多类分类的准确性：

tf.argmax 将为y_pred 和y_true（实际y）返回y 值为max 的轴。

进一步tf.equal用于查找匹配的总数（它返回True，False）。

将布尔值转换为浮点数（即0或1）并使用tf.reduce_mean计算精度。

correct_mask = tf.equal(tf.argmax(y_pred,1), tf.argmax(y_true,1))
accuracy = tf.reduce_mean(tf.cast(correct_mask, tf.float32))

编辑

数据示例：

import numpy as np

y_pred = np.array([[0.1,0.5,0.4], [0.2,0.6,0.2], [0.9,0.05,0.05]])
y_true = np.array([[0,1,0],[0,0,1],[1,0,0]])

correct_mask = tf.equal(tf.argmax(y_pred,1), tf.argmax(y_true,1))
accuracy = tf.reduce_mean(tf.cast(correct_mask, tf.float32))

with tf.Session() as sess:
  # print(sess.run([correct_mask]))
  print(sess.run([accuracy]))

输出：

[0.6666667]