在搭建网络模型时通常要建立一个评估模型正确率的节点（evaluation_step）

这里介绍一个对于分类问题可以用的评估方法：

代码：

correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(groundtruth_input, 1))

evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

介绍一下其中的几个函数

tf.argmax(y,1)返回矩阵y中的最大元素的索引（第二个参数为0就按行返回，1则按列返回）

tf.equal(x,y)判断x, y 是不是相等，判断方法不是整体判断，而是逐个元素进行判断，如果相等就是True，不相等就是False。由于是逐个元素判断，所以x，y 的维度要一致。

tf.cast(x,tf.float32)函数的作用是执行 tensorflow 中张量数据类型转换，x为一个张量，函数将x中的每个元素转换为tf.float的类型（若x中元素为true\false就转换为了0.\1.）

tf.reduce_mean(input_tensor,axis=None,keep_dims=False)用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值

axis=0则按列计算，axis=1则按行计算

keep_dims为true则计算结果保持原来张量形状不变

 

该评估模型方法将最后一层输出logits和标签groundtruth_input进行对比，并将对比结果转换为float张量，再按列计算平均值作为正确率