Deep learning Pytorch中每个历元的精度

我正在努力计算Pytorch中CNN分类器训练函数中每个历元的精度

在我运行这个脚本之后，它总是打印出0、0.25或0.75，这显然是错误的。我猜问题在于get_精度函数的输入（输出和标签），因为它们不是整个历元的累积值，但不确定如何修复

理想情况下，我想打印出每个历元的训练和测试精度

def get_accuracy(pred, actual):
  assert len(pred) == len(actual)

  total = len(actual)
  _, predicted = torch.max(pred.data, 1)
  correct = (predicted == actual).sum().item()
  return correct / total


def train_model(model):
    for epoch in range(epochs):
        running_loss = 0.00
        for i, data in enumerate(trainloader, 0):
            inputs, labels = data
            inputs, labels = inputs.to(device), labels.to(device)

            optimizer.zero_grad()

            outputs = cnn(inputs)

            loss = criterion(outputs, labels) 
            loss.backward() 
            optimizer.step() 

            running_loss += loss.item() #calculates loss of the batch in average

        running_loss /= len(trainloader)

        training_accuracy = get_accuracy(outputs, labels)
        test_accuracy = 'todo'

        print('='*10,'iteration: {0}'.format(epoch+1),'='*10,)
        print('\n Loss: {0} \n Training accuracy:{1}% \n Test accuracy: {2}%'.format(running_loss, training_accuracy, test_accuracy))

    print('Finished Training')

---

首先，你的输入和输出不会在整个历元内累加，而计算精度时只考虑火车装载机的最后一次迭代如果你想计算精度，那么你有两个选择

在每次迭代后手动累积输入和输出，然后计算精度

计算每次迭代的精度，并在打印前在一个历元内求平均值

---

首先，你的输入和输出不会在整个历元内累加，而计算精度时只考虑火车装载机的最后一次迭代如果你想计算精度，那么你有两个选择

在每次迭代后手动累积输入和输出，然后计算精度

计算每次迭代的精度，并在打印前在一个历元内求平均值

---

我假设您希望计算多类情况下的精度（因此您的类的形式为

[0,1,2,3，…，N]

）

您使用的是

maximum

，而它应该是

argmax

，例如：

def accuracy(predictions, labels):
    classes = torch.argmax(predictions, dim=1)
    return torch.mean((classes == labels).float())

当您返回最大概率（或非标准化概率）时，此返回索引具有最大值。由于概率几乎从不等于

1

，因此您应该始终具有0精度（高达

float

精度，它有时可能非常接近

0

或

1

，因此可能会“命中”）

例如

0.9！=2

并且您永远无法预测类

2

，但您可能会意外地预测类

1

（

0.99999999~=1

）

这个函数应该在内部循环中调用，就像计算损耗一样，因此它应该是：

for epoch in range(epochs):
    running_loss = 0.00
    running_accuracy = 0.00
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad() 
        outputs = cnn(inputs) 
        loss = criterion(outputs, labels)
        loss.backward() 
        optimizer.step() 
        running_loss += loss.item()
        running_accuracy += accuracy(outputs, labels)
    running_loss /= len(trainloader)
    running_accuracy /= len(trainloader)

---

测试和验证也是一样，只需将您的模型切换到评估模式（通过

model.eval（）

）并使用torch.no_grad（）：上下文管理器禁用梯度）

我假设您希望计算多类情况下的精度（因此您的类的形式为

[0,1,2,3，…，N]

）

您使用的是

maximum

，而它应该是

argmax

，例如：

def accuracy(predictions, labels):
    classes = torch.argmax(predictions, dim=1)
    return torch.mean((classes == labels).float())

当您返回最大概率（或非标准化概率）时，此返回索引具有最大值。由于概率几乎从不等于

1

，因此您应该始终具有0精度（高达

float

精度，它有时可能非常接近

0

或

1

，因此可能会“命中”）

例如

0.9！=2

并且您永远无法预测类

2

，但您可能会意外地预测类

1

（

0.99999999~=1

）

这个函数应该在内部循环中调用，就像计算损耗一样，因此它应该是：

for epoch in range(epochs):
    running_loss = 0.00
    running_accuracy = 0.00
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad() 
        outputs = cnn(inputs) 
        loss = criterion(outputs, labels)
        loss.backward() 
        optimizer.step() 
        running_loss += loss.item()
        running_accuracy += accuracy(outputs, labels)
    running_loss /= len(trainloader)
    running_accuracy /= len(trainloader)

测试和验证也是一样，只需将您的模型切换到评估模式（通过

model.eval（）

）并使用torch.no_grad（）：上下文管理器禁用梯度）