torch.max() 函数

最近在玩图像目标分类问题，涉及到一个 torch.max() 函数，来记录一下

output = torch.max(input, dim)

输入：

input：是softmax函数输出的一个tensordim：是max函数索引的维度0/1，0是每列的最大值，1`是每行的最大值

输出：

函数会返回两个tensor，第一个tensor是每行的最大值；第二个tensor是每行最大值的索引。

在多分类任务中我们并不需要知道各类别的预测概率，所以返回值的第一个tensor对分类任务没有帮助，而第二个tensor包含了预测最大概率的索引，所以在实际使用中我们仅获取第二个tensor即可。

下面举个例子来理解这个函数的用法：

import torch

a = torch.tensor([[1,5,62,54], [2,6,2,6], [2,65,2,6]])

print(a.shape)

print(a)

输出：

torch.Size([3, 4])
tensor([[ 1,  5, 62, 54],
        [ 2,  6,  2,  6],
        [ 2, 65,  2,  6]])

每行的最大值：（每列同理）

values, indexes = torch.max(a, 1) # 按照每一行取最大值
print(values)
print(indexes)

输出：

tensor([62,  6, 65]) # 每一行的最大值
tensor([2, 3, 1]) # 最大值对应的下标（下标从0开始，如果有相同的元素，取最后一个）

计算准确率时，我们需要看 下标index 与 label标签 是否相等，所以我们只需要 torch.max() 返回的 indexes 即可，即 torch.max(a, 1)[1]

我们已知 predict 的tensor，label 的tensor，将其转换为 numpy 数组

predict = torch.tensor([[1, 5, 62, 54], [2, 6, 2, 6], [2, 65, 2, 6]])
label = torch.tensor([[1],[3],[2]])

values, indexes = torch.max(predict, 1)
print(values)
print(indexes)


values, indexes = torch.max(label, 1)
print(values)
print(indexes)

pred_y = torch.max(predict, 1)[1].numpy() #  softmax函数输出
label_y = torch.max(label, 1)[1].numpy() #  样本标签
accuracy = (pred_y == label_y).sum() / len(label_y) # 准确率
print(accuracy)

输出：

tensor([62,  6, 65])
tensor([2, 3, 1])

tensor([1, 3, 2])
tensor([0, 0, 0])

0.0