Ich arbeite an einem Multi-Label-Problem und ich versuche, die Genauigkeit meines Modells zu bestimmen.Tensorflow, Multi-Label-Genauigkeitsberechnung
Mein Modell:
NUM_CLASSES = 361
x = tf.placeholder(tf.float32, [None, IMAGE_PIXELS])
y_ = tf.placeholder(tf.float32, [None, NUM_CLASSES])
# create the network
pred = conv_net(x)
# loss
cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(pred, y_))
# train step
train_step = tf.train.AdamOptimizer().minimize(cost)
i die Genauigkeit auf zwei verschiedene Arten
berechnen wollen -% aller Labels, die richtig vorhergesagt werden -% der Bilder, in denen alle Etiketten
korrekt vorhergesagt werden Leider kann ich nur den Prozentsatz aller korrekt berechneten Etiketten berechnen.
ich diesen Code dachte% der Bilder berechnen würde, wo alle Etiketten richtig
correct_prediction = tf.equal(tf.round(pred), tf.round(y_))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
und diesen Code% aller Etiketten vorhergesagt werden, die richtig
pred_reshape = tf.reshape(pred, [ BATCH_SIZE * NUM_CLASSES, 1 ])
y_reshape = tf.reshape(y_, [ BATCH_SIZE * NUM_CLASSES, 1 ])
correct_prediction_all = tf.equal(tf.round(pred_reshape), tf.round(y_reshape))
accuracy_all = tf.reduce_mean(tf.cast(correct_prediction_all, tf.float32))
irgendwie die Kohärenz der Etiketten vorhergesagt werden die Zugehörigkeit zu einem Bild ist verloren und ich bin mir nicht sicher warum.
Dank wirkt wie ein Zauber, verstehe ich das richtig, dass die reduce_min zusammen alle Etiketten eines Bildes Packs? – MaMiFreak
Es wird das Minimum von correct_prediction für jedes Element des Stapels benötigt. Dieses Minimum ist 1, wenn alle Elemente 1 sind (dh alle Vorhersagen sind korrekt) und 0, wenn mindestens ein Element Falsch ist (und gleich 0) –
Ich habe diesen Ansatz versucht, aber ich bekomme den gleichen Genauigkeitswert für jede Epoche: 'Train Genauigkeit: 0,984375 Testgenauigkeit: 0,984375'. Irgendeine Idee, warum das passiert? https://stackoverflow.com/questions/49210520/cant-get-correct-acccuracy-for-multi-label-prediction – Peterdk