分类网络预测结果代码解析

分类网络到底预测了什么

以前没搞懂分类网络中，一张图片经过了神经网络后怎么就变成图片类别的，现在研究出了一点自己的体会，分享给大家，纯属原创。

分类网络基本套路代码

outputs = net(inputs)
        loss = criterion(outputs, targets)
        # loss is variable , if add it(+=loss) directly, there will be a bigger ang bigger graph.
        test_loss += loss.item()
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct+=predicted.eq(targets.data).cpu().sum()
        

这里的net是分类网络，有很多种，当我们把一张图片归一化后输入到网络中，这张图片就开始被各钟各样的卷积核给卷积，卷积的操作我就不在这解释了。
torch.Size([100, 3, 32, 32])
torch.Size([100, 128])
torch.Size([100, 10])
tensor(-2.2718, device=‘cuda:0’, grad_fn=)
原本输入了100张图片的数据，每张图片都是彩色（3表示彩色）每张图片都是32×32的大小，输入到网络中经过卷积层卷积，变成了一个个的矩阵，矩阵维度是四维。
再经过连接层后变成了二维矩阵，也就是上面的最后一个torch size，100是100张图片，10是连接层中最后一层的输出通道，这个输出通道自己根据要判断的图片类别而设置，每个通道能经过加权求和得到一个数字，这里也就是得到10个数字。
到此，原本的一张彩色图片，经过网络后变成了10个数字（设置图片类别数是10），这10个数字代表对应类别的概率，比如一张图片它是0类别（用0到9的数字分别表示10类）那么在10个通道中的第一个通道就是判断为0类别的概率。
我们只需用torch.max这个代码就能得到一张图片输出后的10个数字中，哪个数字最大，那个最大的数字代表的通道就是预测的类别，比如第一个通道的数字最大，那么就对应0类别。

到此就实现了网络预测图片是哪一类别了，当然准不准要另说。

学生党一枚，如有不对的地方请给我留言，谢谢!