【问题标题】：Evaluating softmax (classification) accuracy in Tensorflow with round or argmax?用round或argmax评估Tensorflow中的softmax（分类）精度？
【发布时间】：2017-01-20 09:07:17
【问题描述】：

问题

我尝试使用 Tensorflow 制作一个 softmax 分类器，并使用 tf.argmax() 进行预测。我发现y_ 之一总是高于0.5，我使用tf.round() 而不是tf.argmax()。

但是，这两种方法之间的准确率差距约为 20% - tf.round() 的准确率高于tf.argmax()。

我预计这两种方法的准确性应该完全相同，或者tf.round() 应该低于tf.argmax()，但事实并非如此。有谁知道为什么会这样？

Y 和 y_

Y=[[1,0,0],
[0,1,0],
[0,0,1], ......]  : One-hot (target)

y_=[[0.92, 0.4, 0.4],
[0.2,0.6,0.2],
[0.2,0.4,0.2], ......] : output of softmax

正确的预测

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

correct_prediction = tf.equal(tf.round(y), tf.round(y_))

准确度

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

【问题讨论】：

标签： python tensorflow prediction softmax

【解决方案1】：

这个问题有点老了，但有人可能会像我一样偶然发现它......

简而言之：

tf.argmax 减少由 axis 参数指定的一维，它将索引返回到沿该 axis 的最大值
tf.round 对每个值进行四舍五入，返回与输入相同的形状
使用tf.round 的“准确度”将随着轴指定的尺寸长度而增加

例如

y = [
    [1.0, 0.0, 0.0],
    [0.0, 1.0, 0.0],
    [0.0, 0.0, 1.0]
]

y_ = [
    [0.92, 0.4, 0.4],
    [0.2,0.6,0.2],
    [0.2,0.4,0.2]
]

print('argmax shape:', tf.argmax(y_, 1).shape)
print('round shape:', tf.round(y_).shape)

with tf.Session():
    print('argmax value', tf.argmax(y_, 1).eval())
    print('round value', tf.round(y_).eval())

    correct_prediction_argmax = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    correct_prediction_round = tf.equal(tf.round(tf.cast(y, tf.float32)), tf.round(y_))
    print('argmax accuracy:', tf.reduce_mean(tf.cast(correct_prediction_argmax, tf.float32)).eval())
    print('round accuracy:', tf.reduce_mean(tf.cast(correct_prediction_round, tf.float32)).eval())

输出：

argmax shape: (3,)
round shape: (3, 3)
argmax value [0 1 1]
round value [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 0.]]
argmax accuracy: 0.6666667
round accuracy: 0.8888889

您可以看到，使用tf.round 通常会为每行上的两个额外零获得分。

【讨论】：