我需要计算此问题中描述的mAP，以使用Tensorflow进行对象检测。
平均精度（AP）是用于排名集的典型性能指标。AveragePrecision定义为范围S中每个真实正值TP之后精度分数的平均值。给定范围S = 7，并且有一个排名列表（增益向量）G = [1,1,0,1,1,0 ，0,1,1,0,1,0,0，..]其中1/0分别表示与相关/不相关项目相关的收益：
AP =（1/1 + 2/2 + 3/4 + 4/5）/ 4 = 0.8875。
平均平均精度（mAP）：一组查询的平均精度值的平均值。
我得到了5个单热张量与预测：
prediction_A
prediction_B
prediction_C
prediction_D
prediction_E
其中单个预测张量具有以下结构（例如prediction_A）：
00100
01000
00001
00010
00010
然后我得到了具有相同结构的正确标签（单张）张量：
y_A
y_B
y_C
y_D
y_E
我想使用tensorflow计算mAP，因为我想总结一下，我该怎么做？
我发现了此功能， 但我无法使用它，因为我有多维矢量。
我还编写了一个计算AP的python函数，但它不使用Tensorflow
def compute_av_precision(match_list):
n = len(match_list)
tp_counter = 0
cumulate_precision = 0
for i in range(0,n):
if match_list[i] == True:
tp_counter …我有一个名为a的numpy数组（一个图像），其大小如下：
[3,128,192]
现在我想创建一个 numpy 数组，其中包含具有以下维度的a 的n 个副本：
[n,3,128,192]
是否存在一个 numpy 函数可以在不使用循环指令的情况下帮助我解决这个问题？
我尝试这个函数tf.contrib.distributions.kl(dist_a,dist_b,allow_nan = False,name = None)但未实现.
我尝试手动实现它:
def kl_divergence(p,q):
return p* tf.log(p/q)+(1-p)*tf.log((1-p)/(1-q))
是正确的？
我有一种方法可以从 lua 中的父列表指针构建树。特别是我有这个lua 表
parents = {2,3,13,5,12,7,11,9,10,11,12,13,14,0}
连同两个功能：
函数 1（创建节点）：
function create_node(parent, i, created, root)
if created[i] ~= nil then
return
end
print(i)
-- print(parent)
-- Create a new node and set created[i]
local new_node = Tree()
new_node.idx = i
created[i] = new_node
-- If 'i' is root, change root pointer and return
if parent[i] == 0 then
root[1] = created[i] -- root[1] denotes root of the tree
return
end
-- If parent is not created, then create parent …