top1与top5准确率(acc)计算方法-深度学习

本文简单介绍模型训练时候，使用准确率求解过程，不涉及精确率和召回率计算，

本文给出简要计算方法与代码。

 

计算方法：

使用top1计算为例(以下以2个batch，3个num_classes举列)：

网络预测结果形式：pred=[b,num_classes] ，如pred=[[0.6,0.8,0.9],[0.7,0.4,0.3]]

真实标签形式：label=[b]，如batch[1,0]

公式：预测正确/预测个数(即batch)

计算步骤：

步骤1：从pred找到预测最好的分别为[0.9,0.7],可知类别为[2,0]

步骤2：依次比较预测与label是否匹[2,0]--[1,0],可知第二个预测正确，则预测正确为1

步骤3：计算准确率为：1/2=50%

 

计算代码：

 

import torch

def accuracy(output, target, topk=(1,)):
    maxk = max(topk)  # topk=(1,)取top1准确率，topk=(1,5)取top1和top5准确率
    batch_size = target.size(0)
    _, pred = output.topk(maxk, 1, True, True)  # topk参数中，maxk取得是top1准确率，dim=1是按行取值， largest=1是取最大值
    pred = pred.t()  # 转置
    correct = pred.eq(target.view(1, -1).expand_as(pred)).contiguous()  # 比较是否相等

    res = []
    for k in topk:
        correct_k = correct[:k].view(-1).float().sum(0)
        res.append(correct_k.mul_(1 / batch_size))
    return res

import numpy as np

if __name__ == '__main__':
    N=60  # batch
    C=9  # 类别
    pred=np.random.rand(N,C)
    pred=torch.from_numpy(pred)
    label=np.random.randint(0,2,N)
    label=torch.from_numpy(label)
    r=accuracy(pred, label, topk=(1,5))  # topk=(1,5) 表示求解top1与top5的分类准确率
    print(r)
    # print(label)
    # print(pred)

结果显示：