如何基于TensorFlow Model Garden计算Top-k准确率？

一、Top-k准确率与Recall@k/Precision@k的差异 #

根据你参考的定义：

Precision at k是Top-k推荐结果中相关项的占比
Recall at k是Top-k推荐结果中找到的相关项占所有相关项的比例

而图像分类（单标签）场景下的Top-k准确率定义是：正确类别出现在模型前k个预测结果中的样本数占总样本数的比例。

三者的核心差异在于适用场景的相关项数量：

• 推荐系统中每个用户的相关项通常有多个，因此Precision@k和Recall@k的计算分母分别是k和总相关项数；
• 单标签图像分类中每个样本只有1个相关项（正确类别），因此Recall@k的计算逻辑变为：(正确类别在前k的样本数)/(总样本数×1)，这和Top-k准确率的定义完全一致；
• 而Precision@k在这里会变成(正确类别在前k的样本数)/(k×总样本数)，显然不是图像分类需要的评估指标。

结论：在单标签图像分类场景下，TF-slim的streaming_recall_at_k就是你要的Top-k准确率。

二、现有脚本的调整方案 #

方案1：复用现有函数并修改语义命名 #

你当前代码里的Recall@1和Recall@5本质就是Top-1和Top-5准确率，只需修改指标名称让语义更清晰：

# Define the metrics:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({
    'Precision': slim.metrics.streaming_precision(predictions, labels),
    'Top-1 Accuracy':  slim.metrics.streaming_recall_at_k(logits, labels, 1),
    'Top-5 Accuracy':  slim.metrics.streaming_recall_at_k(logits, labels, 5)
})

方案2：自定义Top-k准确率函数 #

如果想要完全贴合图像分类场景的语义，可自行实现逻辑一致的指标函数：

import tensorflow as tf
from tensorflow.contrib import slim

def streaming_top_k_accuracy(logits, labels, k, weights=None):
    # 获取前k个预测的类别索引
    top_k_indices = tf.math.top_k(logits, k=k).indices
    # 将标签扩展为[batch_size, 1]形状，方便逐样本比较
    labels_expanded = tf.expand_dims(labels, axis=1)
    # 检查每个样本的正确标签是否在前k个预测中
    is_correct_in_top_k = tf.math.reduce_any(tf.math.equal(top_k_indices, labels_expanded), axis=1)
    # 转换为浮点型用于计算均值
    accuracy_tensor = tf.cast(is_correct_in_top_k, tf.float32)
    # 累积计算全局准确率
    return slim.metrics.streaming_mean(accuracy_tensor, weights=weights)

然后在指标映射中使用该函数：

# Define the metrics:
names_to_values, names_to_updates = slim.metrics.aggregate_metric_map({
    'Precision': slim.metrics.streaming_precision(predictions, labels),
    'Top-1 Accuracy':  streaming_top_k_accuracy(logits, labels, 1),
    'Top-5 Accuracy':  streaming_top_k_accuracy(logits, labels, 5)
})

三、逻辑验证 #

两种方案的核心逻辑一致：对每个样本，判断正确类别是否出现在模型输出的前k个最高置信度类别中，最终统计符合条件的样本占比，完全匹配图像分类中Top-k准确率的定义。

内容的提问来源于stack exchange，提问作者B Remmelzwaal