MNIST数据集上实现MLP后无法打印混淆矩阵求助

首先咱们得明确：混淆矩阵的核心是真实标签和模型预测的类别标签这两组数据。你的模型返回的logits是未经过softmax转换的原始得分，所以得先把它转成预测类别，再和真实标签计算混淆矩阵。下面一步步来：

步骤1：把Logits转成预测类别 #

用tf.argmax()就能从logits里提取每个样本的预测类别索引，这里要注意axis参数对应类别维度（MNIST是10类，logits形状应该是[样本数,10]，所以axis=1）：

# 假设你有测试集输入x_test，以及真实标签y_test
predictions = tf.argmax(logits, axis=1)
# 如果你的y_test是one-hot编码（比如形状是[10000,10]），也要转成类别索引
true_labels = tf.argmax(y_test, axis=1)

步骤2：计算混淆矩阵 #

TensorFlow自带的tf.math.confusion_matrix()可以直接帮你计算，只要传入真实标签和预测标签就行：

confusion_mat = tf.math.confusion_matrix(labels=true_labels, predictions=predictions)

步骤3：打印或可视化混淆矩阵 #

如果只是看数值，直接转成numpy数组打印就好：

print(confusion_mat.numpy())

要是想更直观看到分类效果，用matplotlib画热力图会清晰很多：

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10,8))
sns.heatmap(confusion_mat.numpy(), annot=True, fmt='d', cmap='Blues', 
            xticklabels=range(10), yticklabels=range(10))
plt.xlabel('Predicted Label')
plt.ylabel('True Label')
plt.title('MNIST Confusion Matrix')
plt.show()

容易踩坑的几个点 #

• 标签格式不匹配：如果你的真实标签是one-hot编码，一定要转成类别索引，否则计算混淆矩阵时会报错。
• 测试集预处理一致：测试集的归一化、形状调整必须和训练集完全一样，不然预测结果会出错，混淆矩阵也失去参考价值。
• 大测试集分批处理：如果测试集数据量很大，别一次性喂入模型，分batch计算预测结果再合并，避免内存溢出：

predictions = []
# 按32个样本为一批处理测试集
for batch_x in tf.data.Dataset.from_tensor_slices(x_test).batch(32):
    batch_logits = layers(batch_x, weights, biases)
    batch_pred = tf.argmax(batch_logits, axis=1)
    predictions.append(batch_pred)
# 把所有batch的预测结果合并
predictions = tf.concat(predictions, axis=0)

内容的提问来源于stack exchange，提问作者buydadip