今天小编就为大家分享一篇Pytorch 实现计算分类器准确率(总分类及子分类)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

今天小编就为大家分享一篇Pytorch 计算误判率,计算准确率,计算召回率的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

分类器平均准确率计算： correct = torch.zeros(1).squeeze().cuda() total = torch.zeros(1).squeeze().cuda() for i, (images, labels) in enumerate(train_loader): images = Variable(images.cuda()) labels = Variable(labels.cuda()) output = model(imag

LeNetLeNet模型构造读入数据和数据预览定义device定义网络计算准确率训练测试局限 LeNet 1、使用全连接层的局限性： 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。对于大尺寸的输入图像，使用全连接层容易导致模型过大。 2、使用卷积层的优势： 卷积层保留输入形状。卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。 LeNet分为卷积层块和全连接层块两个部分 卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图

无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率，很少有计算误判率， 下面就说说怎么计算准确率以及误判率、召回率等指标 1.计算正确率 获取每批次的预判正确个数 train_correct = (pred == batch_y.squeeze(1)).sum() 该语句的意思是 预测的标签与实际标签相等的总数 获取训练集总的预判正确个数 train_acc += train_correct.data[0] #用来计算正确率 准确率 ： train_acc / (len(train_