Как создать путаницу для классификации в тензорном потоке

Question

У меня есть модель CNN, которая имеет 4 выходных узла, и я пытаюсь вычислить матрицу путаницы, чтобы я мог знать точность отдельного класса. Я могу вычислить общую точность. В этой ссылке Игорь Валантик дал функцию, которая может вычислять переменные матрицы путаницы. это дает мне ошибку в correct_prediction = tf.nn.in_top_k(logits, labels, 1, name="correct_answers") и ошибка TypeError: DataType float32 for attr 'T' not in list of allowed values: int32, int64

Я пробовал Typesasting логитов в Int32 внутри функции, упомянутой def evaluation(logits, labels), это дает еще одну ошибку при вычислении correct_prediction = ... как TypeError:Input 'predictions' of 'InTopK' Op has type int32 that does not match expected type of float32

как рассчитать эту путаницу?

sess = tf.Session()
model = dimensions() # CNN input weights are calculated 
data_train, data_test, label_train, label_test =  load_data(files_test2,folder)
data_train, data_test, = reshapedata(data_train, data_test, model)
# input output placeholders
x  = tf.placeholder(tf.float32, [model.BATCH_SIZE, model.input_width,model.input_height,model.input_depth]) # last column = 1 
y_ = tf.placeholder(tf.float32, [model.BATCH_SIZE, model.No_Classes])
p_keep_conv = tf.placeholder("float")
# 
y  = mycnn(x,model, p_keep_conv)
# loss
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y, y_))
# train step
train_step = tf.train.AdamOptimizer(1e-3).minimize(cost)
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
true_positives, false_positives, true_negatives, false_negatives = evaluation(y,y_)
lossfun = np.zeros(STEPS)
sess.run(tf.global_variables_initializer())

for i in range(STEPS):
    image_batch, label_batch = batchdata(data_train, label_train, model.BATCH_SIZE)
    epoch_loss = 0
    for j in range(model.BATCH_SIZE):
        sess.run(train_step, feed_dict={x: image_batch, y_: label_batch, p_keep_conv:1.0})
        c = sess.run( cost, feed_dict={x: image_batch, y_: label_batch, p_keep_conv: 1.0})
        epoch_loss += c
    lossfun[i] = epoch_loss
    print('Epoch',i,'completed out of',STEPS,'loss:',epoch_loss )
 TP,FP,TN,FN = sess.run([true_positives, false_positives, true_negatives,  false_negatives], feed_dict={x: image_batch, y_: label_batch, p_keep_conv:1.0})

это мой фрагмент кода

Answer 1

Вы можете просто использовать запутанную матрицу Tensorflow. Я предполагаю y ваши прогнозы, и вы можете или не можете иметь num_classes (что необязательно)

y_ = placeholder_for_labels # for eg: [1, 2, 4]
y = mycnn(...) # for eg: [2, 2, 4]

confusion = tf.confusion_matrix(labels=y_, predictions=y, num_classes=num_classes)

если ты print(confusion), ты получаешь

  [[0 0 0 0 0]
   [0 0 1 0 0]
   [0 0 1 0 0]
   [0 0 0 0 0]
   [0 0 0 0 1]]

Если print(confusion) не печатать путаницу, затем используйте print(confusion.eval(session=sess)), Вот sess это название вашей сессии TensorFlow.

Answer 2

import tensorflow as tf     
y = [1, 2, 4]
y_ = [2, 2, 4]

con = tf.confusion_matrix(labels=y_, predictions=y )
sess = tf.Session()
with sess.as_default():
        print(sess.run(con))

Выход:

[[0 0 0 0 0]
[0 0 0 0 0]
[0 1 1 0 0]
[0 0 0 0 0]
[0 0 0 0 1]]