import tensorflow as tf

tf.random.set_seed(2467)  # 隨機種子，我也沒搞明白是什麼玩意

output = tf.random.normal([10, 6])  # 模擬預測的結果，10個樣本，6類分類
output = tf.math.softmax(output, axis=1)  # 使得每一行的總和為1（歸一化的感覺）
target = tf.random.uniform([10], maxval=6, dtype=tf.int32)  # 10個樣本的真實標籤
print('原始資料:', output.numpy())
pred = tf.argmax(output, axis=1)  # 10個樣本預測的類別是
print('預測類別:', pred.numpy())
print('實際類別:', target.numpy())


def accuracy(output, target, topk=(1,)):  # 定義求精確度的函式
    maxk = max(topk)  # maxk=6
    batch_size = target.shape[0]  # batch_size的值為10

    pred = tf.math.top_k(output, maxk).indices  # 獲得每個樣本最符合的前6個類別的索引 (10,6)
    pred = tf.transpose(pred, perm=[1, 0])  # 轉置一下pred矩陣  （6，10）
    target_ = tf.broadcast_to(target, pred.shape)  # 將真實類別廣播到相同大小的矩陣，方便比較  (6,10)
    correct = tf.equal(pred, target_)  # 得到一個由True和False組成的（6，10）的矩陣

    res = []  # 這是要返回的精確值
    for k in topk:
        #  計算前k行的所有1的和，所有預測對的值
        correct_k = tf.reduce_sum(tf.cast(tf.reshape(correct[:k], [-1]), dtype=tf.int32))
        acc = float(correct_k / batch_size)  # 求精確度
        res.append(acc)
    return res


acc = accuracy(output, target, topk=(1, 2, 3, 4, 5, 6))
print('top1-6的accuracy是：', acc)