TensorFlow函数：tf.metrics.recall_at_top_k

tf.metrics.recall_at_top_k函数

tf.metrics.recall_at_top_k(
    labels,
    predictions_idx,
    k=None,
    class_id=None,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

定义在：tensorflow/python/ops/metrics_impl.py.

计算与稀疏labels有关的top-k的predictions的recall@k.

其与recall_at_k的不同之处在于,predictions必须采用top k索引的形式,而recall_at_k期望是logits.

参数：

• labels：具有形状[D1,... DN,num_labels]或[D1,... DN]的int64 Tensor或SparseTensor,其中后者暗示num_labels = 1.N> = 1并且num_labels是关联预测的目标类的数量.通常,N = 1并且labels具有形状[batch_size,num_labels].[D1,... DN]必须匹配predictions.值应在[0,num_classes]范围内,其中num_classes是predictions的最后一个维度.超出此范围的值始终计入false_negative_at_<k>.
• predictions_idx：具有形状[D1,... DN,k]的整数Tensor,其中N> = 1,通常,N = 1并且predictions具有形状[batch size, k].最终维度包含top k预测类别索引.[D1,... DN]必须匹配labels.
• k：整数,k代表@k metric,仅用于默认操作名称.
• class_id：我们需要二进制度量的整数类ID.这应该在[0,num_classes]范围内,其中num_classes是predictions的最后一个维度.如果class_id超出此范围,则该方法返回NAN.
• weights：Tensor的秩为0或n-1,其中n是labels的秩.如果是后者,则必须是可广播的labels(即,所有维度必须为1或与相应的labels维度相同).
• metrics_collections：应添加值的集合的可选列表.
• updates_collections：应添加更新的集合的可选列表.
• name：新更新操作的名称,以及其他从属操作的命名空间.

返回：

• recall：标量float64 Tensor,其值为true_positives除以true_positives和false_negatives的和.
• update_op：适当增加true_positives和false_negatives变量的操作,其值匹配recall.

可能引发的异常：

• ValueError：如果weights不是None和它的形状不匹配predictions,或者如果metrics_collections或者updates_collections中的任意一个不是一个列表或元组.