使用TensorFlow实现Top-K准确率计算的神经网络案例

首先，我们导入TensorFlow库，并设置随机种子以确保实验的可重复性：

import tensorflow as tf

tf.random.set_seed(2467)  # 设置随机种子，确保每次运行时生成的数据一致

接着，生成模拟的预测结果和真实标签：

output = tf.random.normal([10, 6])  # 生成10个样本，每个样本属于6个可能类别的预测分数
output = tf.math.softmax(output, axis=1)  # 应用Softmax函数，将预测分数转换为概率分布

target = tf.random.uniform([10], maxval=6, dtype=tf.int32)  # 生成10个样本的真实标签，范围从0到5

打印原始数据、预测类别及实际类别以供检查：

print('原始数据:', output.numpy())
pred = tf.argmax(output, axis=1)  # 获取每个样本预测的最大概率对应的类别
print('预测类别:', pred.numpy())
print('实际类别:', target.numpy())

定义一个函数来计算Top-K准确率：

def calculate_accuracy(predictions, labels, topk=(1, 2, 3, 4, 5, 6)):
    maxk = max(topk)
    batch_size = labels.shape[0]
    topk_predictiOns= tf.math.top_k(predictions, maxk).indices  # 获取每个样本最可能的前K个类别的索引
    topk_predictiOns= tf.transpose(topk_predictions, perm=[1, 0])  # 转置预测矩阵以便于后续操作
    labels_expanded = tf.broadcast_to(labels, topk_predictions.shape)  # 广播真实标签至与预测矩阵相同的形状
    matches = tf.equal(topk_predictions, labels_expanded)  # 比较预测与真实标签是否匹配
    accuracies = []
    for k in topk:
        correct_predictiOns= tf.reduce_sum(tf.cast(tf.reshape(matches[:k], [-1]), dtype=tf.int32))
        accuracy = float(correct_predictions / batch_size)
        accuracies.append(accuracy)
    return accuracies

最后，调用上述函数并输出不同K值下的准确率：

accuracies = calculate_accuracy(output, target, topk=(1, 2, 3, 4, 5, 6))
print('Top1-6的准确率分别是：', accuracies)