如何识别pytorch中批次的错误分类

我有一个这样的脚本，其中使用了成批的图像

correct = 0
total = 0
incorrect_classification=[]
for (i, [images, labels]) in enumerate(test_loader):
  images = Variable(images.view(-1, n_pixel*n_pixel))
  outputs = net(images)
  _, predicted = torch.min(outputs.data, 1)
  total += labels.size(0)                    
  correct += (predicted == labels).sum() 
print('Accuracy: %d %%' %
      (100 * correct / total))

批处理大小为10时，每个枚举返回10倍图像大小的张量。如何将所有错误的分类保存到数组中？错误的\u分类或错误的img及其概率保存到字典中，以便稍后使用can plt.imshow检查它们

如果批量大小为1，我可以使用：

if (predicted==labels).item()==0:
    incorrect_examples.append(images.numpy())

但是如果指定了批量大小（比如每批100张图像），我应该如何保存错误的分类

---

提前感谢您的回答。

正如@zihaozhihao的评论中所说，

images[predicted==labels]

应该完成这项工作

换句话说，您将获得索引掩码，然后使用此掩码访问所需的图像：

correct = 0
total = 0
incorrect_examples=[]
for (i, [images, labels]) in enumerate(test_loader):
    images = Variable(images.view(-1, n_pixel*n_pixel))
    outputs = net(images)
    _, predicted = torch.min(outputs.data, 1)
    total += labels.size(0)                    
    correct += (predicted == labels).sum() 
    print('Accuracy: %d %%' % (100 * correct / total))

    # if (predicted==labels).item()==0:
    #     incorrect_examples.append(images.numpy())

    idxs_mask = (predicted == labels).view(-1)
    incorrect_examples.append(images[idxs_mask].numpy()) 

视图（-1）

将展平遮罩，用于遮罩图像张量的批次通道

在循环结束时（在循环外），列表中的iten

不正确的示例

将具有形状

[批大小，n像素，n像素]

，为了方便起见，您可以通过将它们串联在一个张量中对它们进行分组：

incorrect_images = torch.cat(incorrect_examples)
# incorrect_images.size() -> (n_incorrect_images, n_pixel, n_pixel)

---

可能尝试使用

图像[predicted==labels]

来获取错误的图像？