1樓：蔣承越
二分類問題我們可以算精確率（precision），因為我們會明確選擇乙個為正例，另乙個為負例。
多分類的話通常我們就沒有這種明顯的正負例關係了，一般就用accuracy，或者看一下confusion matrix.
2樓：
精確度如果是指accuracy，對每一類並不是乙個好的metric。
TP: True Positive; TN: True Negative; FP: False Positive; FN: False Negative
具體到某一類，應該轉化為這個類VS所有其他類的binary classification問題，然後算precision recall。
TF/Keras裡有現成的。比如計算Class_3的precision和recall。tf.
keras
.metrics
.Precision
(class_id=3
,top_k=1
)類似地，tf.
keras
.metrics
.Recall
(class_id=3
,top_k=1)
3樓：迷路森林
多個類別每個類別的精確率可以使用sklearn下的metrics工具，下面是乙個四分類的例子，target_names是類別名，在輸出的時候用到, 輸出Precision, Recall和f1-score等衡量指標。
from sklearn import metricsmetrics.classification_report(labels_all, predict_all, target_names=config.class_list, digits=4)
同樣的，你可以輸出混淆矩陣
confusion = metrics.confusion_matrix(labels_all, predict_all)
想做乙個三分類，輸出每種類別的概率，資料集是自己採集的所以很少每類不到100條，應該用什麼方法呢？
yyHaker 可以考慮使用邏輯回歸模型，這樣可以輸出每種類別的概率 此外，由於你的資料量很小，可以考慮去採集更多資料，或者根據資料的特點進行一些資料增強。 Jack Stark 每類不到100條指的是全部資料集嗎？這樣再分一下訓練 測試集，訓練集確實太少了。資料量少那麼訓練會很快呀，所以多嘗試各種...
如果乙個神經網路的總loss loss1 loss2，那麼這個網路是如何反向傳遞更新loss1的呢
Tridu 現在大資料這麼離譜的嗎？希望是巧合。剛出實驗室，剛批改的作業就是BP反向求導的習題，居然一開啟知乎就看到了這個問題。建議題主看看相關網課ppt資料 這裡lecture18有個手寫求導pdf 貓頭嚶 我寫了一篇BP原理，你可以系統性的了解一下。 靈劍 感覺是沒有理解梯度下降的意義，我理解你...
能否設計乙個神經網路實現類似FFT的功能？
cuimolei 其實FFT是DFT的快速實現，而DFT實際上就是卷積。DFT本質上就是乙個線性變換，所以用不帶非線性變換的卷積實現FFT是完全沒問題。而DFT有各項同性的特性，意味著其可以拆解為nx1,1xn卷積兩步實現，而FFT是針對DFT冗餘計算進行的優化。也就是從計算量講 多層卷積 單層nx...