分类问题预测的准确率如何计算

代码片段：

_, train_pred = torch.max(outputs, 1) 
train_acc += (train_pred.detach() == labels.detach()).sum().item()

torch.max(outputs, 1): 这个函数用于返回每一行（即每个样本）中最大值及其索引。参数 1 表示在第二个维度（列）上进行操作
返回值是一个元组 (values, indices)：values: 每个样本的最大得分（我们用 _ 忽略它，因为我们不需要）。indices: 对应于最大得分的类别索引，这就是我们需要的预测类别

例子：

# 从模型输出中获取每个样本的预测类别，并计算在当前批次中正确预测的样本数量，从而用于计算训练准确率。

import torch

outputs = torch.tensor([[0.1, 0.9, 0.0],  # 第一个样本
                         [0.8, 0.1, 0.1],  # 第二个样本
                         [0.2, 0.2, 0.6]])  # 第三个样本

_, train_pred = torch.max(outputs, 1)

print(_)
print(train_pred)

# tensor([0.9000, 0.8000, 0.6000])
# tensor([1, 0, 2])

labels = torch.tensor([1, 0, 2])  # 真实标签

print(train_pred.detach() == labels.detach())  # 比较
# 结果: tensor([True, True, True])  => [1, 1, 1]

print((train_pred.detach() == labels.detach()).sum()) # 结果为 tensor(3)
# 经过sum()后，True 会被视为 1，False 被视为 0

准确率计算：

train_acc/len(train_set)