溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這幾天關于accuracy和loss的計算有一些疑惑，原來是自己還沒有弄清楚。
給出實例
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)
首先這樣一次訓練稱為一個epoch，樣本總數/batchsize是走完一個epoch所需的“步數”，相對應的，len(train_loader.dataset)也就是樣本總數，len(train_loader)就是這個步數。
那么，accuracy的計算也就是在整個train_loader的for循環中（步數），把每個mini_batch中判斷正確的個數累加起來，然后除以樣本總數就行了；
而loss的計算有講究了，首先在這里我們是計算交叉熵，關于交叉熵，也就是涉及到兩個值，一個是模型給出的logits，也就是10個類，每個類的概率分布，另一個是樣本自身的
label，在Pytorch中，只要把這兩個值輸進去就能計算交叉熵，用的方法是nn.CrossEntropyLoss，這個方法其實是計算了一個minibatch的均值了，因此累加以后需要除以的步數，也就是
minibatch的個數，而不是像accuracy那樣是樣本個數，這一點非常重要。
以上就是本次介紹的全部知識點內容，感謝大家對億速云的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
