模型的精度测量

def softmax(X):
    X_exp = torch.exp(X)
    partition = X_exp.sum(1, keepdim=True)
    return X_exp / partition  # 这里应用了广播机制

def net(X):
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
#softmax回归模型。 代码定义了输入如何通过网络映射到输出。 注意，将数据传递到模型之前，我们使用reshape函数将每张原始图像展平为向量。

def evaluate_accuracy(net, data_iter):  #@save
    """计算在指定数据集上模型的精度"""
    if isinstance(net, torch.nn.Module):
        net.eval()  # 将模型设置为评估模式
    metric = Accumulator(2)  # 正确预测数、预测总数
    with torch.no_grad():
        for X, y in data_iter:
            metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

metric.add(accuracy(net(X), y), y.numel())

1. y.numel() 代表所有预测值，也就是总的输入数据个数（图片个数）

2. accuracy(net(X), y)

accuracy这个函数，目的是得到预测正确的数目

def accuracy(y_hat, y):  #@save
    """计算预测正确的数量"""
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        y_hat = y_hat.argmax(axis=1)
    cmp = y_hat.type(y.dtype) == y
    return float(cmp.type(y.dtype).sum())

net(X) 是上面定义的softmaxt回归模型

y是一个张量，里面放的是正确的预测值，例如：y = torch.tensor([0, 2])，也就是第一个图片是第0类，第二个图片是第2类

可以理解为

net(x):

[0.6,0.2,0.1,0.1

0.1,0.2,0.65,0.05

0.1,0.8,0.05,0.05

0.1,0.05,0.750.1

]

y:

[0,1,1,2]

net(x):

[0.6,0.2,0.1,0.1

0.1,0.2,0.65,0.05 arccuracy 函数 argmax 找到最大 [0.6,0.65,0.8,0.75]

0.1,0.8,0.05,0.05 对应类别 [ 0 , 2 , 1 , 2]

0.1,0.05,0.75,0.1

]

得到的 [ 0 , 2 , 1 , 2] 和

y: [0 , 1 , 1 , 2]

比较，正确数量为 3 个

然后 写入 metric.add(accuracy(net(X), y), y.numel()) 中

最后哦

return metric[0] / metric[1]