Матрица путаницы тензорного потока для мультиклассовой классификации

Question

Спасибо за вашу помощь.Я кодирую мультиклассовый двоичный классификатор для лицевых действий (таких как поднятая бровь, раздвинутые губы), и я хочу создать путаницу.Есть 6 лицевых действий и 593 образца.Я получаю эту ошибку: я получаю эту ошибку: «Форма (?, 2, 6) должна иметь ранг 2».Из документации tf.confusion_matrix принимает одномерные векторы, но я думаю, что должен быть способ сформировать входные данные из feed_dict так, чтобы он работал на основе Tensorflow Confusion Matrix в TensorBoard .Метки и прогнозы выглядят следующим образом:

# Rows are samples, columns are classes, and the classes shows a facial
# action which is either 1 for detection or 0 for no detection. 
[[0, 0, 1, 0, 1, 0],
[1, 0, 0, 0, 1, 0],
[0, 1, 0, 0, 1, 1],...]

Я использую MLP с прямой связью, а переменная pred - это прогноз, с порогом, заставляющим сделать выбор 0 или 1. Я попытался умножить прогнозыи метки np.arange (1,7), чтобы положительные значения соответствовали индексам, но я застрял в форме аргументов.

Там больше кода, но я показываю то, что я считаю уместным.

sess = tf.Session()

x = tf.placeholder(tf.float32, [None, n_input], name = "x")
y = tf.placeholder(tf.float32, [None, n_output], name = "labels")

#2 fully connected layers
fc1 = fc_layer(x, n_input, n_hidden_1, "fc1")
relu = tf.nn.relu(fc1)
tf.summary.histogram("fc1/relu", relu)
logits = fc_layer(relu, n_hidden_1, n_output, "fc2")

# Calculate loss function
with tf.name_scope("xent"):
    xent = tf.reduce_mean(
        tf.nn.sigmoid_cross_entropy_with_logits(
            logits=logits, labels=y, name="xent"))

with tf.name_scope("train"):
    train_step = tf.train.AdamOptimizer(learning_rate).minimize(xent)


# Choose between 0 and 1
onesMat = tf.ones_like(logits)
zerosMat = tf.zeros_like(logits)   
pred = tf.cast(tf.where(logits>=zero,onesMat,zerosMat),dtype=tf.float32, name = "op_to_restore")

# Problem occurs when I add this line. 
confusion = tf.confusion_matrix(predictions = pred*np.arange(1,7), labels = y*np.arange(1,7), num_classes = n_output, name = "confusion")

# Save and visualize results
saver = tf.train.Saver()
init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
sess.run(init)

writer = tf.summary.FileWriter(LOGDIR + hparam + '/train')
writer.add_graph(sess.graph)


# Train
for i in range(2001):
    if i % 5 == 0:
      [train_accuracy, s] = sess.run([accuracy, summ], feed_dict={x: train_x, y: train_y})
      writer.add_summary(s, i)
    if i % 50 == 0:
      [acc,s] = sess.run([accuracy, summ],feed_dict={x: test_x, y: test_y})
    sess.run(train_step, feed_dict={x: train_x, y: train_y})

Спасибо!

Answer 1

У меня была такая же проблема, как и у вас.Я использовал функцию argmax , которая исправила мою проблему.

Попробуйте этот фрагмент кода (или похожий):

cm = tf.confusion_matrix(labels=tf.argmax(y*np.arange(1,7), 1), predictions=tf.argmax(pred*np.arange(1,7)))

#then check the result:
with tf.Session() as sess:
    cm_reachable = cm.eval()
    print(cm_reachable)

и ознакомьтесь с этой подробной инструкцией: Матрица путаницы с тензорным потоком с использованием горячего кода