comment créer de la confusion de la matrice de classification tensorflow

J'ai CNN modèle qui dispose de 4 nœuds de sortie, et je suis en train de calculer la matrice de confusion, de sorte que je peux savoir de l'individu à la classe de précision. Je suis en mesure de calculer la précision globale.
Dans le lien ici, Igor Valantic a donné une fonction qui peut calculer la matrice de confusion variables.
il me donne une erreur à la correct_prediction = tf.nn.in_top_k(logits, labels, 1, name="correct_answers") et l'erreur est TypeError: DataType float32 for attr 'T' not in list of allowed values: int32, int64

J'ai essayé typecasting logits int32 à l'intérieur de la fonction mentionné def evaluation(logits, labels), il donne une autre erreur de calcul correct_prediction = ... comme TypeError:Input 'predictions' of 'InTopK' Op has type int32 that does not match expected type of float32

comment calculer cette matrice de confusion ?

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})

c'est mon extrait de code

InformationsquelleAutor Raady | 2017-03-27
  1. 11

    Vous pouvez simplement utiliser Tensorflow de matrice de confusion. Je suppose y sont vos prédictions, et il vous peut ou peut ne pas avoir num_classes (qui est facultatif)

    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)

    Si vous print(confusion), vous obtenez

      [[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]]

    Si print(confusion) n'est pas l'impression que la confusion de la matrice, puis utilisez print(confusion.eval(session=sess)). Ici sess est le nom de votre TensorFlow session.

    • il me donne une erreur " AttributeError: module 'tensorflow' n'a pas d'attribut "confusion_matrix' '. Avons-nous besoin de mettre à jour ou d'installer quelque chose pour le GPU version de tensorflow de travail ?
    • la mise à niveau de tensorflow résout ce problème, je peux maintenant utiliser la commande.
    • Pour les utilisateurs avec Tensorflow <1.0, c'était en tf.contrib.métriques.confusion_matrix(...)
    • Il n'a pas l'impression de la matrice de confusion pour moi la suivante import tensorflow as tf y_ = [1, 2, 4] y = [2, 2, 4] num_classes = 3 cm = tf.confusion_matrix(labels=y_, predictions=y, num_classes=num_classes) print(cm) imprime Tensor("confusion_matrix_5/SparseTensorDenseAdd:0", shape=(3, 3), dtype=int32).
    • Utilisation sess = tf.Session() with sess.as_default(): print(cm.eval()) pour l'imprimer correctement.
    InformationsquelleAutor vega
  2. 4
    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))

    La sortie est :

    [[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]]
    InformationsquelleAutor Zaya Kh