标签：acc Tensor pred torch batch 准确率 output correct 计算方法

本文简单介绍模型训练时候，使用准确率求解过程，不涉及精确率和召回率计算，

本文给出简要计算方法与代码。

计算方法：

使用top1计算为例(以下以2个batch，3个num_classes举列)：

网络预测结果形式：pred=[b,num_classes] ，如pred=[[0.6,0.8,0.9],[0.7,0.4,0.3]]

真实标签形式：label=[b]，如batch[1,0]

公式：预测正确/预测个数(即batch)

计算步骤：

步骤1：从pred找到预测最好的分别为[0.9,0.7],可知类别为[2,0]

步骤2：依次比较预测与label是否匹[2,0]--[1,0],可知第二个预测正确，则预测正确为1

步骤3：计算准确率为：1/2=50%

计算代码：

def torch_accuracy(output, target, topk=(1,)) -> List[torch.Tensor]:
    '''
    param output, target: should be torch Variable
    '''
    # assert isinstance(output, torch.cuda.Tensor), 'expecting Torch Tensor'
    # assert isinstance(target, torch.Tensor), 'expecting Torch Tensor'
    # print(type(output))

    topn = max(topk)
    batch_size = output.size(0)

    _, pred = output.topk(topn, 1, True, True) # 返回(values,indices）其中indices就是预测类别的值，0为第一类
    pred = pred.t() # torch.t()转置，既可得到每一行为batch最好的一个预测序列

    is_correct = pred.eq(target.view(1, -1).expand_as(pred))

    ans = []
    for i in topk:
        # is_correct_i = is_correct[:i].view(-1).float().sum(0, keepdim=True)
        is_correct_i = is_correct[:i].contiguous().view(-1).float().sum(0, keepdim=True)
        ans.append(is_correct_i.mul_(100.0 / batch_size))

    return ans

标签：acc,Tensor,pred,torch,batch,准确率,output,correct,计算方法
来源： https://www.cnblogs.com/tangjunjun/p/15970310.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。