Pytorch中accuracy和loss的计算知识点总结

这几天关于accuracy和loss的计算有一些疑惑，原来是自己还没有弄清楚。给出实例deftrain(train_

这几天关于accuracy和loss的计算有一些疑惑，原来是自己还没有弄清楚。

给出实例

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)

首先这样一次训练称为一个epoch，样本总数/batchsize是走完一个epoch所需的“步数”，相对应的，len(train_loader.dataset)也就是样本总数，len(train_loader)就是这个步数。

那么，accuracy的计算也就是在整个train_loader的for循环中（步数），把每个mini_batch中判断正确的个数累加起来，然后除以样本总数就行了；

而loss的计算有讲究了，首先在这里我们是计算交叉熵，关于交叉熵，也就是涉及到两个值，一个是模型给出的logits，也就是10个类，每个类的概率分布，另一个是样本自身的

label，在Pytorch中，只要把这两个值输进去就能计算交叉熵，用的方法是nn.CrossEntropyLoss，这个方法其实是计算了一个minibatch的均值了，因此累加以后需要除以的步数，也就是

minibatch的个数，而不是像accuracy那样是样本个数，这一点非常重要。

以上就是本次介绍的全部知识点内容，感谢大家对脚本之家的支持。