t = pred.max(-1)[1] == label是什么意思？

最新推荐文章于 2024-08-19 00:51:49 发布
原创 最新推荐文章于 2024-08-19 00:51:49 发布 · 1.6k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #python #pytorch

本文解析了如何在PyTorch中使用 `pred.max(-1)[1]==lab` 来计算模型预测的准确率，通过实例说明了代码的工作原理，包括 torch.max 函数的应用和布尔张量转为浮点精度计算。
部署运行你感兴趣的模型镜像

t = pred.max(-1)[1] == lab
在学习pytorch的过程中，不止一个人问过这个问题。这行代码常用于统计正确率中，下面让我们一起来探究一下到底是什么逻辑。

def test(pred, lab):
    t = pred.max(-1)[1] == lab
    return torch.mean(t.float())

首先，我们需要确定一点：==的优先级高于=。
上述一行可以写为：

t = （pred.max(-1)[1] == lab）

此外，关于torch.max可以参考：https://blog.youkuaiyun.com/ftimes/article/details/118189054

那么pred.max(-1)[1]返回的就是fc输出的两个结果中最大值的维度。
前面提到，我们已经把标签处理成了0和1
pred.max(-1)[1]返回的最大值索引也是0和1（虽然有更好的办法，但这样做也可行）

pred.max(-1)
Out[2]: 
torch.return_types.max(
values=tensor([0.7311, 0.4735, 0.7676, 0.4959, 0.7937, 0.6112, 0.5918, 0.8628, 0.6572,
        0.6233, 0.6227, 0.5958, 0.5774, 0.6474, 0.8323, 0.6375, 0.6602, 0.5261,
        0.4647, 0.4738, 0.6257, 0.5601, 0.7112, 0.6483, 0.4457, 0.7498, 0.7358,
        0.7040, 0.4066, 0.5518, 0.7691, 0.6721, 0.7550, 0.8085, 0.4990, 0.4476,
        0.4958, 0.8220, 0.8659, 0.7823, 0.4055, 0.5893, 0.9285, 0.8180, 0.7205,
        0.7187, 0.6130, 0.6980, 0.6169, 0.6855, 0.4833, 0.6585, 0.7132, 0.6194,
        0.5593, 0.7338, 0.6272, 0.5971, 0.8424, 0.8467, 0.6150, 0.4855, 0.7193,
        0.7658, 0.5708, 0.6497, 0.7794, 0.6412, 0.8045, 0.5714, 0.5182, 0.7838,
        0.7479, 0.6859, 0.7567, 0.4332, 0.5189, 0.7014, 0.5938, 0.7905, 0.7039,
        0.6159, 0.7387, 0.8065, 0.8136, 0.5870, 0.5591, 0.8067, 0.6246, 0.6466,
        0.5937, 0.6113, 0.7880, 0.4537, 0.6373, 0.8012, 0.7067, 0.7080, 0.5979,
        0.8495], grad_fn=<MaxBackward0>),
indices=tensor([0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1,
        1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 1, 0,
        0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0,
        1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
        0, 0, 1, 0]))

如上，pred.max(-1)[1] == lab得到一个bool张量

pred.max(-1)[1] == lab
Out[4]: 
tensor([ True,  True,  True,  True, False,  True,  True,  True,  True,  True,
         True,  True,  True, False, False, False,  True, False, False, False,
        False,  True,  True, False, False, False,  True,  True,  True,  True,
         True, False,  True, False,  True, False, False,  True,  True,  True,
        False, False, False,  True,  True, False, False,  True,  True, False,
         True,  True, False,  True,  True,  True, False, False,  True, False,
         True,  True,  True, False,  True,  True, False,  True,  True, False,
         True,  True,  True,  True, False,  True, False,  True, False, False,
         True,  True,  True,  True,  True,  True,  True, False,  True,  True,
         True,  True,  True, False,  True,  True,  True,  True,  True,  True])

这就是一个bacth的预测结果（正确与否），也就是我们得到的 t
用t.float()将bool转换为0和1

t.float()
Out[8]: 
tensor([1., 1., 1., 1., 0., 1., 1., 1., 1., 1., 1., 1., 1., 0., 0., 0., 1., 0.,
        0., 0., 0., 1., 1., 0., 0., 0., 1., 1., 1., 1., 1., 0., 1., 0., 1., 0.,
        0., 1., 1., 1., 0., 0., 0., 1., 1., 0., 0., 1., 1., 0., 1., 1., 0., 1.,
        1., 1., 0., 0., 1., 0., 1., 1., 1., 0., 1., 1., 0., 1., 1., 0., 1., 1.,
        1., 1., 0., 1., 0., 1., 0., 0., 1., 1., 1., 1., 1., 1., 1., 0., 1., 1.,
        1., 1., 1., 0., 1., 1., 1., 1., 1., 1.])

计算平均值：

torch.mean(t.float())
Out[9]: tensor(0.6600)

得到该epoch这个bacth的准确率为0.66
这样计算等价于

t.float().sum()/t.numel() #正确的个数除以总个数
Out[12]: tensor(0.6600)

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

_, preds = torch.max(outputs.data, 1)
梁小憨憨的博客
11-22 5095
今天在看《PyTorch深度学习》这本书的时候，看到了一段代码，怎么都看不懂，然后优快云上搜索了一下，发现了大佬的以篇博客《PyTorch系列 | _, predicted = torch.max(outputs.data, 1)的理解》，这里记录一下。 _, preds = torch.max（outputs.data, 1） 源代码如下： # forward outputs = model(inputs) _, preds = torch.max(outputs.data, 1) loss = c
torch.argmax( ,dim=1)
AMBE_R_的博客
04-08 5572
** torch.argmax() ** 维度本身就很难理解，作为一名小白，这篇用来给同样有维度困扰的你们，里面的例子引用了：https://blog.csdn.net/weixin_43869268/article/details/107624108 x = torch.randn(2,4,5) print(x) > tensor([[[-0.2377, -1.0894, 1.7376, -1.7329, 0.4314], [-1.4899, -0.7765, -0.8258
pytorch中 max()、view()、 squeeze()、 unsqueeze()
黄鑫的博客
08-22 596
总结： max()： max(a),用于一维数据，求出最大值。 max(a,0),计算出数据中一列的最大值，并输出最大值所在的行号。 max(a,1),计算出数据中一行的最大值，并输出最大值所在的列号。 a.view(i,j)表示将原矩阵转化为i行j列的形式   a.view(i,-1)表示不限制列数，输出i行 a.view(-1,j)表示不限制行数，输出j列 a.squeeze(i)...
1.统计属性函数（含.max(1)用法）
chengle的博客
12-13 1203
统计属性函数（含.max(1)用法） statistics 1.norm 2.mean sum 3.prod 4.max,min,argmin,argmax 5.kthvalue,topk >>> import torch >>> a=torch.randn(4,10) >>> print(a) tensor([[ 0.1002, -1.6265, 1.4466, 2.2931, -1.0597, 1.1463, -0.9219, -1.3728,
python笔记--max函数操作
托比亚思的博客
08-23 1215
python笔记–max/min函数操作 前言 在平时使用max和min函数时，往往只用到了其中最简单的操作，之后敲代码的时候需要通过value的最大值返回所对应的key值，发现max/min函数还有进阶操作，故在此记录。 max函数 max函数机制和min函数机制是一样的，这里只介绍max函数。 #max函数语法 max(iterable, *[, key, default]) max(arg1...
argmax（）和.sum()用法
qq_43631083的博客
06-30 1568
无
pytorch中max函数的一点使用记录 max(-1)[1]
热门推荐
开飞机的小毛驴儿
11-27 1万+
今天看一点在外人看来也许是非常简单的代码，但是越看越模糊，直到查了一些资料才基本搞明白。没办法，小白前进的路上总会有各种崎岖。 相关代码链接：https://github.com/zergtant/pytorch-handbook/blob/master/chapter3/3.1-logistic-regression.ipynb 首先，在数据准备阶段，作者使用german.data-nume...
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析（八）plots.py-1
xjunjin的博客
11-01 2095
2021SC@SDUSC 前言 这篇分析plot.py文件，就如其名称一样，主要是一些用以展示的代码，也不是核心代码 外部库 from copy import copy from pathlib import Path import cv2 import math import matplotlib import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sn import
智能数字图像处理：图卷积SGN代码（pytorch）之main.py解读
com_fang_bean的博客
09-15 2860
1.os.environ["CUDA_VISIBLE_DEVICES"] = '0'->目的：使用CUDA环境变量CUDA_VISIBLE_DEVICES来限定CUDA程序所能使用的GPU设备. 2.parser = argparse.ArgumentParser(description='Skeleton-Based Action Recgnition')-》创建解析器，使用 argparse 的第一步是创建一个 ArgumentParser 对象。 fit.add_fit_args(parser
PIDNET自有数据训练、TensorRT转换、报错解决过程汇总
q1042960848的博客
11-07 3379
PIDNET自有数据训练、TensorRT转换、报错解决过程汇总
pytorch中max的用法
weixin_67594078的博客
08-07 1709
pytorch中max()函数的用法
学习《深入浅出pytorch》2
weixin_63016274的博客
02-27 264
学习《深入浅出pytorch》2
PyTorch 现代计算机视觉（二）
龙哥盟
08-19 1136
三、使用 PyTorch 构建深度神经网络 在前一章中，我们学习了如何使用 PyTorch 编写神经网络代码。我们还了解了神经网络中存在的各种超参数，例如它的批量大小、学习速率和损失优化器。在这一章中，我们将改变思路，学习如何使用神经网络进行图像分类。本质上，我们将学习如何表示图像和调整神经网络的超参数，以了解它们的影响。 为了不引入太多的复杂性和混乱，我们在前一章中只讨论了神经网络的基本方面。然而，在训练网络时，我们还需要调整更多的输入。通常，这些输入被称为超参数。与神经网络中的参数(在训练期间学习)相反
深度学习简单调参实验二——手写数字问题的部分问题解答
GAN、Transformer、Vue、Django知识学习&&分享者 ZhuBa的博客 zhuba-Ahhh.github.io
07-13 359
开始给的时候这个Accuracy就有93%了，后来把epoch改成5就96%了，但是有个地方不 太懂想问一下：在测试集计算损失那里，中间几行代码是我自己加的 Pred里函数Max（）[1]意思确实是这个，可以从其数据集格式入手，图片的像素矩阵为0、1 max(-1)中的-1表示按照最后一个维度（行）求最大值，即求每一个样本（每一行）概率的最大值。然后.max(-1)[1]中的方括号[1]则表示返回最大值的索引，即返回0或者1，正好与我们原始数据的label相对应。然后pred的返回值为一个长度为样本个数的
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
源的博客
01-28 4564
文章目录1.argmax和max函数区别2.axis=0/axis=1/axis=-1的区别3.具体代码分析---3.1一维数组---3.2二维数组---3.3三维数组 1.argmax和max函数区别 argmax()返回的是函数取到最大值时的参数t，也就是说返回最大值的索引 max返回的是函数的最大值 2.axis=0/axis=1/axis=-1的区别 我们考虑它们的时候千万不要用行和列的思想去考虑axis，因为行和列是没有方向的。 根据官方的说话，axis=1表示数组的变化是横向的，而体现出来的是列
pytorch之max函数
qq_40821163的博客
11-02 326
神奇的max函数，你品，你细品 import torch a = torch.randn(1,10) print(a) print("-------------------") out = torch.max(a,1) print(out) print("-------------------") out = torch.max(a,1)[1] print(out) print("-------------------") out = torch.max(a,1)[1].data print(out) pr
优化模型参数
weixin_54096215的博客
09-10 794
Datasets & DataLoaders和Build Model import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor, Lambda training_data = datasets.FashionMNIST( root="data..
Pytorch实现手写数字识别【基于全连接神经网络】
Consult_
07-18 1万+
构建全连接神经网络模型，使用pytroch实现手写数字识别
关于torch.argmax()的在深度学习中应用的理解
LionZYT的博客
01-10 3670
今天在debug过程中看到代码中使用了torch.argmax()这个函数。之前在用的时候只是知道返回最大值对应的位置索引，但没有深入思考其含义。在查了大量资料之后，发现很多博客仅仅是照搬了官方文档中的释义，并没有对该函数的使用场景及含义做过多的解释，导致很多初学者在查阅这一函数的用法时一头雾水。 下面就结合自己的一些理解对这个函数进行一个直观的解释。 在深度学习中，torch.argmax()这个函数最常见的用处就是在图像分类任务下，筛选出网络预测值Prediction中最大概率值对应的class I
添加代码，能绘制出训练误差曲线import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt # ---------------------- 1. 加载并预处理 MNIST 数据集（本地加载） ---------------------- # 加载训练集 import pandas as pd # 加载训练集 train_df = pd.read_csv('mnist_train.csv') print(train_df.columns) # 打印列名 X_train = train_df.drop('Label', axis=1).values.astype('float32') / 255.0 y_train = train_df['Label'].values test_df = pd.read_csv('mnist_test.csv') X_test = test_df.drop('Label', axis=1).values.astype('float32') / 255.0 y_test = test_df['Label'].values # 转换为 one-hot 编码（用于多分类损失计算） def one_hot_encode(y, num_classes=10): return np.eye(num_classes)[y] y_train_onehot = one_hot_encode(y_train) y_test_onehot = one_hot_encode(y_test) # ---------------------- 2. 定义神经网络类（和原来一样，无需修改） ---------------------- class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): self.W1 = np.random.randn(input_size, hidden_size) * 0.01 self.b1 = np.zeros((1, hidden_size)) self.W2 = np.random.randn(hidden_size, output_size) * 0.01 self.b2 = np.zeros((1, output_size)) def sigmoid(self, x): return 1 / (1 + np.exp(-x)) def sigmoid_deriv(self, x): return x * (1 - x) def forward(self, X): self.Z1 = np.dot(X, self.W1) + self.b1 self.A1 = self.sigmoid(self.Z1) self.Z2 = np.dot(self.A1, self.W2) + self.b2 self.A2 = self.sigmoid(self.Z2) return self.A2 def backward(self, X, y, learning_rate): m = X.shape[0] y_pred = self.forward(X) loss = -np.sum(y * np.log(y_pred + 1e-8)) / m dZ2 = y_pred - y dW2 = np.dot(self.A1.T, dZ2) / m db2 = np.sum(dZ2, axis=0, keepdims=True) / m dA1 = np.dot(dZ2, self.W2.T) dZ1 = dA1 * self.sigmoid_deriv(self.A1) dW1 = np.dot(X.T, dZ1) / m db1 = np.sum(dZ1, axis=0, keepdims=True) / m self.W1 -= learning_rate * dW1 self.b1 -= learning_rate * db1 self.W2 -= learning_rate * dW2 self.b2 -= learning_rate * db2 return loss def predict(self, X): y_pred = self.forward(X) return np.argmax(y_pred, axis=1) # ---------------------- 3. 训练并评估模型（和原来一样，无需修改） ---------------------- input_size = 784 hidden_size = 128 output_size = 10 model = NeuralNetwork(input_size, hidden_size, output_size) learning_rate = 0.1 epochs = 50 batch_size = 128 train_losses = [] for epoch in range(epochs): epoch_loss = 0 num_batches = int(len(X_train) / batch_size) for i in range(num_batches): start = i * batch_size end = start + batch_size X_batch = X_train[start:end] y_batch = y_train_onehot[start:end] loss = model.backward(X_batch, y_batch, learning_rate) epoch_loss += loss epoch_loss /= num_batches train_losses.append(epoch_loss) print(f"Epoch {epoch + 1}, Loss: {epoch_loss:.4f}") y_pred = model.predict(X_test) accuracy = np.mean(y_pred == y_test) print(f"测试集准确率: {accuracy:.4f}") plt.plot(range(1, epochs + 1), train_losses) plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('Training Loss Curve') plt.show()
最新发布
11-21
return np.argmax(y_pred, axis=1) # ---------------------- 3. 训练并评估模型 ---------------------- input_size = 784 # 28x28 像素 hidden_size = 128 output_size = 10 # 0-9 共10类 model = Neural...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值