本笔记主要记录sort,argsort,以及top_k操作，加上一个求Top K准确度的例子。
import tensorflow as tf
import numpy as np
tf.__version__
#sort,argsort
#对1维的tensor进行排序
tensor = tf.random.shuffle(tf.range(10))
print(tensor)
#升序
print("======tf.sort(direction='ASCENDING'):", tf.sort(tensor, direction='ASCENDING'))
#降序
print("======tf.sort(direction='DESCENDING'):", tf.sort(tensor, direction='DESCENDING'))
#argsort，返回排序后元素对应原始数据元素的index
print("======tf.argsort(direction='DESCENDING'):", tf.argsort(tensor, direction='DESCENDING'))
args = tf.argsort(tensor, direction='DESCENDING')
print("======Max element:", tensor[args[0]])
#多维tensor排序
tensor = tf.random.uniform([3,3], maxval=10, dtype=tf.int32)
print(tensor)
#不带参数，默认升序
print("======tf.sort():", tf.sort(tensor))
#降序
print("======tf.sort(direction='DESCENDING'):", tf.sort(tensor, direction='DESCENDING'))
#argsort
print("======tf.argsort(direction='DESCENDING'):", tf.argsort(tensor, direction='DESCENDING'))
#top_k得到前最大/最小值
tensor = tf.random.uniform([3,3], maxval=10, dtype=tf.int32)
print(tensor)
#top_k返回值主要有indices和values
#indices返回top k个元素的下标数据
#values返回top k个元素的值
#得到最大的前两个元素
topN = tf.math.top_k(tensor, 2)
print("=====Top 2 indices:", topN.indices)
print("=====Top 2 values :", topN.values)
#top-k accuracy
#假设下面的tensor表示各个类别的预测概率信息，真实的标签类别是2（下标）
# tensor = tf.convert_to_tensor([0.1, 0.2, 0.3, 0.4])
# 那么top-1是0.4,对应标签是3，真实标签类别是2，预测错误，top-1预测准确率是0%
# top-2表示返回前两个最有可能的值[0.4,0.3],对应标签是[3,2],top-2预测准确率100%
# 同理，top-3预测准确率100%
#举例说明
#假设下面的tensor为两个样本的预测结果
prob = tf.constant([[0.1, 0.2, 0.7], [0.2, 0.65, 0.15]])
print("=====Probabilities:", prob)
#标签信息，第一个样本真实类别是2， 第二个样本真实类别是0
target = tf.constant([2, 0])
#使用top_k获得预测结果的indices，这个结果就是对应的类别信息
predictedClasses = tf.math.top_k(prob, 3).indices
predictedClasses = tf.transpose(predictedClasses, perm=[1, 0])
#转置后的矩阵，第一行表示两个个样本top 1的预测值(最有可能的类别)，第二行表示top 2的预测值(第二可能的类别)
print(predictedClasses)
#将真实值broadcast_to一个3*2的矩阵(1x2 => 3x2)
target = tf.broadcast_to(target, [3,2])
print(target)
#接下来就可以对比preditecdClasses和target
#Predicted Actual
#[2, 1] [2,0] => top1准确度： 1/2 = 50%
#[1, 0] [2,0] => top2准确度：
# 样本1(第一列前两个元素)和真实的target里有一个能对上，预测正确，计数1
# 样本2(第2列前两个元素)和真实target的类别有一个能对上，预测正确，计数1
# 最终结果是： 1+1 / 2（总样本数） = 100%
#[2, 1] [2,0] => top3准确度： 100%
#实例，返回topk的准确率函数
#output: 网络输出的预测概率结果，[b, N],batchsize个预测值
#target: 真实的类别，[b]
#topk: 表示要返回哪些topk结果，假设topk = [1, 2, 3]，表示要返回top1, top2和top3三个准确度结果
def topKAccuracy(output, target, topk=(1,)):
maxk = max(topk)
batchSize = target.shape[0]
pred = tf.math.top_k(output, maxk).indices
pred = tf.transpose(pred, perm=[1, 0])
real = tf.broadcast_to(target, pred.shape)
#转换为0(False),1(True)二值表示的结果
correct = tf.equal(pred, real) #correct是一个[k, b]大小的tensor
result = []
for k in topk:
#取出前k行求和除以样本数量
#取出前k行用reshape进行flatten
correct_k = tf.cast(tf.reshape(correct[:k], [-1]), dtype=tf.float32)
#求和
correct_k = tf.reduce_sum(correct_k)
accuracy = float(correct_k / batchSize)
result.append(accuracy)
return result
#模拟一个10个样本，6个类别的预测结果
output = tf.random.normal([10, 6])
print("=====>Original Output:\n", output.numpy())
#softmax处理，让指定axis的数据转换成元素相加结果为1的数据（概率）
output = tf.math.softmax(output, axis=1)
print("=====>Probability(Softmax Output):\n", output.numpy())
print("=====>Argmax:\n", tf.argmax(output, axis=1).numpy())
#模拟一个真实类别信息，10个样本的真实标签
target = tf.random.uniform([10], maxval=6, dtype=tf.int32)
print("=====>Labels:\n", target.numpy())
accuracies = topKAccuracy(output, target, topk=(1,2,3,4,5,6))
print("Top1 - Top6 Accuracy:\n", accuracies)
运行结果：
