基于kratzert的微调AlexNet代码，TensorFlow下混淆矩阵构建求助

我很熟悉你用的这个AlexNet微调框架的结构，咱们一步步来解决混淆矩阵的问题：

核心原理 #

tf.confusion_matrix() 只需要两个核心输入就能生成矩阵：

• labels：样本的真实类别标签（一维张量，每个元素对应样本的真实类别索引）
• predictions：模型输出的预测类别标签（和labels维度完全一致的一维张量，每个元素是模型判断的类别索引）

具体实现步骤 #

1. 准备存储数据的容器 #

在测试/验证代码段的最开始，初始化两个空列表，用来累积所有测试样本的真实标签和预测结果：

true_labels = []
pred_labels = []

2. 在测试循环中收集数据 #

找到代码里遍历测试数据集的循环（通常是验证/测试阶段的while或for循环），每次迭代时做两件事：

• 提取当前批量的真实标签：如果你的标签是one-hot编码格式，需要用tf.argmax(labels_batch, axis=1)转换成类别索引；如果本来就是索引格式，直接取原始值即可。
• 从模型输出的logits中得到预测类别：用tf.argmax(logits_batch, axis=1)提取概率最高的类别索引。

把这两个结果追加到之前的列表里：

# 处理真实标签（假设labels_batch是当前批量的真实标签）
if labels_batch.shape[-1] > 1:  # 判断是否是one-hot编码
    batch_true = tf.argmax(labels_batch, axis=1).numpy()
else:
    batch_true = labels_batch.numpy().flatten()
true_labels.extend(batch_true)

# 处理模型预测结果
batch_pred = tf.argmax(logits_batch, axis=1).numpy()
pred_labels.extend(batch_pred)

3. 生成并查看混淆矩阵 #

等所有测试样本遍历完成后，把两个列表转换成张量，传入tf.confusion_matrix()即可：

import tensorflow as tf

# 转换为符合要求的张量格式
true_tensor = tf.convert_to_tensor(true_labels, dtype=tf.int32)
pred_tensor = tf.convert_to_tensor(pred_labels, dtype=tf.int32)

# 替换YOUR_CLASS_COUNT为你数据集的实际类别数
confusion_mat = tf.confusion_matrix(labels=true_tensor, predictions=pred_tensor, num_classes=YOUR_CLASS_COUNT)

# 打印矩阵，也可以转成numpy数组做后续处理
print("混淆矩阵：")
print(confusion_mat.numpy())

4. 避坑提示 #

• 确保labels和predictions的维度、数据类型完全一致（推荐用int32）
• 如果是TensorFlow 2.x环境，记得用.numpy()把张量转成numpy数组，方便后续操作
• 如果你的标签是从数据集读取的字符串或其他格式，要先映射成连续的整数索引

可选：可视化混淆矩阵 #

如果需要更直观的展示，可以用seaborn绘制热力图：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10,8))
# 替换YOUR_CLASS_NAMES为你的类别名称列表，比如["cat", "dog", "bird"]
sns.heatmap(confusion_mat.numpy(), annot=True, fmt='d', cmap='Blues',
            xticklabels=YOUR_CLASS_NAMES, yticklabels=YOUR_CLASS_NAMES)
plt.xlabel('预测类别')
plt.ylabel('真实类别')
plt.show()

内容的提问来源于stack exchange，提问作者user2975921