Pytorch中accuracy和loss的計(jì)算知識點(diǎn)總結(jié)
這幾天關(guān)于accuracy和loss的計(jì)算有一些疑惑,原來是自己還沒有弄清楚。
給出實(shí)例
def train(train_loader, model, criteon, optimizer, epoch):
train_loss = 0
train_acc = 0
num_correct= 0
for step, (x,y) in enumerate(train_loader):
# x: [b, 3, 224, 224], y: [b]
x, y = x.to(device), y.to(device)
model.train()
logits = model(x)
loss = criteon(logits, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
train_loss += float(loss.item())
train_losses.append(train_loss)
pred = logits.argmax(dim=1)
num_correct += torch.eq(pred, y).sum().float().item()
logger.info("Train Epoch: {}\t Loss: {:.6f}\t Acc: {:.6f}".format(epoch,train_loss/len(train_loader),num_correct/len(train_loader.dataset)))
return num_correct/len(train_loader.dataset), train_loss/len(train_loader)
首先這樣一次訓(xùn)練稱為一個(gè)epoch,樣本總數(shù)/batchsize是走完一個(gè)epoch所需的“步數(shù)”,相對應(yīng)的,len(train_loader.dataset)也就是樣本總數(shù),len(train_loader)就是這個(gè)步數(shù)。
那么,accuracy的計(jì)算也就是在整個(gè)train_loader的for循環(huán)中(步數(shù)),把每個(gè)mini_batch中判斷正確的個(gè)數(shù)累加起來,然后除以樣本總數(shù)就行了;
而loss的計(jì)算有講究了,首先在這里我們是計(jì)算交叉熵,關(guān)于交叉熵,也就是涉及到兩個(gè)值,一個(gè)是模型給出的logits,也就是10個(gè)類,每個(gè)類的概率分布,另一個(gè)是樣本自身的
label,在Pytorch中,只要把這兩個(gè)值輸進(jìn)去就能計(jì)算交叉熵,用的方法是nn.CrossEntropyLoss,這個(gè)方法其實(shí)是計(jì)算了一個(gè)minibatch的均值了,因此累加以后需要除以的步數(shù),也就是
minibatch的個(gè)數(shù),而不是像accuracy那樣是樣本個(gè)數(shù),這一點(diǎn)非常重要。
以上就是本次介紹的全部知識點(diǎn)內(nèi)容,感謝大家對腳本之家的支持。
相關(guān)文章
Python 26進(jìn)制計(jì)算實(shí)現(xiàn)方法
這篇文章主要介紹了Python 26進(jìn)制計(jì)算實(shí)現(xiàn)方法,涉及Python字符串與數(shù)值計(jì)算的相關(guān)操作技巧,需要的朋友可以參考下2015-05-05
在TensorFlow中實(shí)現(xiàn)矩陣維度擴(kuò)展
這篇文章主要介紹了在TensorFlow中實(shí)現(xiàn)矩陣維度擴(kuò)展方式,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
Python遠(yuǎn)程開發(fā)環(huán)境部署與調(diào)試過程圖解
這篇文章主要介紹了Python遠(yuǎn)程開發(fā)環(huán)境部署與調(diào)試過程圖解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-12-12

