Tensorflow, Multi-Label-Genauigkeitsberechnung

Question

Ich arbeite an einem Multi-Label-Problem und ich versuche, die Genauigkeit meines Modells zu bestimmen.

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.

Answer 1

Ich glaube, der Fehler in Ihrem Code ist in: correct_prediction = tf.equal(tf.round(pred), tf.round(y_)).

pred sollte unskalierte logits (d. H. Ohne ein endgültiges Sigmoid) sein.

Hier wollen Sie die Ausgabe von sigmoid(pred) und y_ (beide im Intervall [0, 1]) vergleichen, so müssen Sie schreiben:

• Genauigkeit Mean:

  correct_prediction = tf.equal(tf.round(tf.nn.sigmoid(pred)), tf.round(y_)) 
  

  ---

  Dann berechnen über alle Etiketten:

accuracy1 = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

• Genauigkeit in dem alle Etiketten müssen korrekt sein:

all_labels_true = tf.reduce_min(tf.cast(correct_prediction), tf.float32), 1) 
accuracy2 = tf.reduce_mean(all_labels_true)