tf.nn.top_k(input, k, name=None)
解釋：這個(gè)函數(shù)的作用是返回 input 中每行最大的 k 個(gè)數(shù)捧挺，并且返回它們所在位置的索引。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
input = tf.constant(np.random.rand(3,4))
k = 2
output = tf.nn.top_k(input, k)
with tf.Session() as sess:
print(sess.run(input))
print(sess.run(output))
[[ 0.98925872 0.15743092 0.76471106 0.5949957 ]
[ 0.95766488 0.67846336 0.21058844 0.2644312 ]
[ 0.65531991 0.61445187 0.65372938 0.88111084]]
TopKV2(values=array([[ 0.98925872, 0.76471106],
[ 0.95766488, 0.67846336],
[ 0.88111084, 0.65531991]]), indices=array([[0, 2],
[0, 1],
[3, 0]]))
輸入?yún)?shù)：
- input: 一個(gè)張量，數(shù)據(jù)類型必須是以下之一：float32、float64、int32刁笙、int64、uint8、int16疲吸、int8座每。數(shù)據(jù)維度是 batch_size 乘上 x 個(gè)類別。
- k: 一個(gè)整型摘悴，必須 >= 1峭梳。在每行中，查找最大的 k 個(gè)值蹂喻。
- name: 為這個(gè)操作取個(gè)名字葱椭。
輸出參數(shù)：
一個(gè)元組 Tensor ，數(shù)據(jù)元素是 (values, indices)叉橱，具體如下：
values: 一個(gè)張量挫以，數(shù)據(jù)類型和 input 相同者蠕。數(shù)據(jù)維度是 batch_size 乘上 k 個(gè)最大值窃祝。
indices: 一個(gè)張量，數(shù)據(jù)類型是 int32 踱侣。每個(gè)最大值在 input 中的索引位置粪小。
tf.nn.in_top_k(predictions, targets, k, name=None)
解釋：這個(gè)函數(shù)的作用是返回一個(gè)布爾向量，說明目標(biāo)值是否存在于預(yù)測(cè)值之中抡句。
輸出數(shù)據(jù)是一個(gè) targets 長度的布爾向量探膊，如果目標(biāo)值存在于預(yù)測(cè)值之中，那么 out[i] = true待榔。
注意：targets 是predictions中的索引位逞壁，并不是 predictions 中具體的值。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
input = tf.constant(np.random.rand(3,4), tf.float32)
k = 2 #targets對(duì)應(yīng)的索引是否在最大的前k(2)個(gè)數(shù)據(jù)中
output = tf.nn.in_top_k(input, [3,3,3], k)
with tf.Session() as sess:
print(sess.run(input))
print(sess.run(output))
[[ 0.43401602 0.29302254 0.40603295 0.21894781]
[ 0.77089119 0.95353228 0.04788217 0.37489092]
[ 0.83710146 0.2505011 0.28791779 0.97788286]]
[False False True]
