我在机器学习方面相对较新，尤其是在实现算法方面。我正在使用 python 和 tensorflow 库来实现一个神经网络来训练一个大约有 20 个类的数据集。我能够成功训练并获得预测，但我有一个问题，
Is it possible to get top k classes along with their probabilities using tensorflow instead of just a single prediction?
如果可能，如何做到这一点？感谢您的指导。
更新 01: 我正在添加我正在做的事情的代码。因此，我构建了一个具有 3 层的神经网络，分别具有 tanh、sigmoid 和 sigmoid 作为隐藏层的激活函数和输出层的 softmax。训练和预测代码如下:
y_pred = None
with tf.Session() as sess:
sess.run(init)
for epoch in range(training_epochs):
# running the training_epoch numbered epoch
_,cost = sess.run([optimizer,cost_function],feed_dict={X:tr_features,Y:tr_labels})
cost_history = np.append(cost_history,cost)
# predict results based on the trained model
y_pred = sess.run(tf.argmax(y_,1),feed_dict={X: ts_features})
现在 y_pred 是 ts_features 的每个测试示例的类标签列表。但不是为每个测试示例获得 1 个单一类别标签，我希望为每个示例获得前 k 个预测，每个 k-预测都伴随某种概率。
请您参考如下方法:
使用 tf.nn.top_k() :
top_k_values, top_k_indices = tf.nn.top_k(predictions, k=k)
如果 predictions 是每个类别的概率向量(即 predictions[i] = 类别 i 的预测概率)，则 top_k_values 将包含 predictions 中的 k 最高概率，top_k_indices 将包含这些概率的索引，即相应的类。
假设在您的代码中，y_ 是每个类的预测概率向量:
k = 3 # replace with your value
# Instead of `y_pred`:
y_k_probs, y_k_pred = sess.run(
tf.nn.top_k(y_, k=k), feed_dict={X: ts_features})
