深度学习准确率(acc)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