【torch.max()函数】predic = torch.max(outputs.data, 1)[1].cpu().numpy()

最新推荐文章于 2024-01-23 22:55:03 发布
最新推荐文章于 2024-01-23 22:55:03 发布
阅读量2.5k 收藏 4
点赞数 5
文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/no_candy/article/details/128039142
版权
本文详细介绍了PyTorch中torch.max()函数的应用，该函数用于找出张量中的最大值及其索引。当dim参数为0时，按列求最大值；dim=1则按行求最大值。在模型预测中，常用此函数获取预测概率的最大值及对应类别。示例代码展示了如何获取预测概率和预测类别，并将结果转换为numpy数组。
摘要由CSDN通过智能技术生成

torch.max(input, dim, keepdim=False, out=None)

按维度dim 返回最大值以及最大值的索引。

dim = 0 表示按列求最大值，并返回其引
dim = 1 表示按行求最大值，并返回其索引

_, predicted = torch.max(outputs.data, 1)

torch.max()函数返回两个值，一个是具体的值，也就是预测概率，另一个是值对应的索引，即预测类别；这两个值分别用_,predidcted表示。

predic = torch.max(outputs.data, 1)[1].cpu().numpy()

troch.max()[1]：只返回最大值的索引

.numpy() ：把数据转化为ndarray，即N维数组对象

no_candy
关注
使用BERT进行情感分析
weixin_41089007的博客
12-28 4213
年前最后一篇，就写个自己使用BERT的流程步骤，提前祝大家新年快乐~ ## STEP1：构建模型 class Config(object): """配置参数""" def __init__(self, dataset): self.model_name = 'bert' self.train_path = dataset + '/data/tr...
matlab训练unet,轻松学Pytorch – 构建UNet实现道路裂纹检测
weixin_39808877的博客
03-17 2310
原标题：轻松学Pytorch – 构建UNet实现道路裂纹检测微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识大家好，我又好久没有给大家更新这个系列了，但是我内心一直没有忘记要更新pytorch初学者系列文章，今天给大家分享一下Pytorch如何构建UNet网络并实现模型训练与测试，实现一个道路裂纹检测!数据集CrackForest数据集，包括118张标注数据，37张验证与测试数据...
PyTorch系列 | _, predicted = torch.max(outputs.data, 1)的理解
热门推荐
weixin_48249563的博客
12-18 3万+
使用pytorch的小伙伴们，一定看过下面这段代码 _, predicted = torch.max(outputs.data, 1) 那么，这里的 下划线_ 表示什么意思？ 首先，torch.max()这个函数返回的是两个值，第一个值是具体的value（我们用下划线_表示），第二个值是value所在的index（也就是predicted）。 那么，这个 下划线_ 表示的就是具体的value，也就是输出的最大值。那么为什么用 下划线_，可不可以用其他的变量名称来代替，比如x？答案自然是可以的。 那么为什么这
pytorch 常用函数 max ,eq说明
12-17
max找出tensor 的行或者列最大的值： 找出每行的最大值: import torch outputs=torch.FloatTensor([[1],[2],[3]]) print(torch.max(outputs.data,1)) 输出： (tensor([ 1., 2., 3.]), tensor([ 0, 0, 0])) 找出每列的最大值： import torch outputs=torch.FloatTensor([[1],[2],[3]]) print(torch.max(outputs.data,0)) 输出结果： (tensor([ 3.]), tensor([
_, preds = torch.max(outputs.data, 1)
梁小憨憨的博客
11-22 4854
今天在看《PyTorch深度学习》这本书的时候，看到了一段代码，怎么都看不懂，然后CSDN上搜索了一下，发现了大佬的以篇博客《PyTorch系列 | _, predicted = torch.max(outputs.data, 1)的理解》，这里记录一下。 _, preds = torch.max（outputs.data, 1） 源代码如下： # forward outputs = model(inputs) _, preds = torch.max(outputs.data, 1) loss = c
【无标题】对于_, predicted = torch.max(outputs.data, 1)的理解
Xiaiyexi的博客
05-03 2180
记录一下学习日常 由于以前用的都是tensorflow，最近用pytorch来写，看到一篇文章训练mnist数据集，在测试时出现了对于_, predicted = torch.max(outputs.data, 1)，不是很理解，查阅资料后弄清了： 代码如下： outputs = net(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) 就torch.max这个函数而言，它返回的第一个值就是真实值，
predic = torch.max(outputs.data, -1)[1].cpu()
咖乐部
10-21 4482
背景是文本分类任务。 output = torch.max(input,dim) input 这里是outputs.data,维度 [4,32,10] 的一个tensor， dim 是max函数 索引 的维度 0/1,0是按列，1是按行。-1是最后一个维度，一般也就是按行了。 输出是两个tensor，第0个tensor是每行的最大值组成的，这里是所有行的最大值组成的tensor。第1个tensor是每行最大值对应的标签组成的。因为这里要找最大值对应的标签，找出来之后和class_list对比，就可以
torch.max()与numpy.max()函数
weixin_45135154的博客
07-03 1515
torch.max能同时返回最大值，及最大值索引 numpy.max返回最大值 axis = -1指倒数第一维度（本例子中等价于 axis=2） axis = -2指倒数第二个维度（本例子中等价于 axis=1） axis = -3指倒数第三个维度（本例子中等价于 axis=0） import numpy x = numpy.array([[[1, 2 ,3], [3, 0, 1]], [[2, 0, 1], [66, 16, 7]]]) print("x") print
def evaluate(config, model, data_iter, test=False): model.eval() loss_total = 0 predict_all = np.array([], dtype=int) labels_all = np.array([], dtype=int) with torch.no_grad(): for texts, labels in data_iter: outputs = model(texts) loss = F.cross_entropy(outputs, labels) loss_total += loss labels = labels.data.cpu().numpy() predic = torch.max(outputs.data, 1)[1].cpu().numpy() labels_all = np.append(labels_all, labels) predict_all = np.append(predict_all, predic) acc = metrics.accuracy_score(labels_all, predict_all) if test: report = metrics.classification_report(labels_all, predict_all, target_names=config.class_list, digits=4) confusion = metrics.confusion_matrix(labels_all, predict_all) return acc, loss_total / len(data_iter), report, confusion return acc, loss_total / len(data_iter)
06-02
这是一个用于模型评估的函数，输入参数包括配置文件config、模型model、数据迭代器data_iter以及一个布尔值test，表示是否进行测试。函数首先将模型设为评估模式（eval()），然后在数据迭代器上进行循环，对每个文本...
def test(config, model, test_iter): # test model.load_state_dict(torch.load(config.save_path)) model.eval() start_time = time.time() test_acc, test_loss, test_report, test_confusion = evaluate(config, model, test_iter, test=True) msg = 'Test Loss: {0:>5.2}, Test Acc: {1:>6.2%}' print(msg.format(test_loss, test_acc)) print("Precision, Recall and F1-Score...") print(test_report) print("Confusion Matrix...") print(test_confusion) time_dif = get_time_dif(start_time) print("Time usage:", time_dif)怎么实现的
06-02
predic = torch.max(outputs.data, 1)[1].cpu().numpy() labels_all = np.append(labels_all, labels) predict_all = np.append(predict_all, predic) acc = metrics.accuracy_score(labels_all, predict_all) ...
PyTorch - 迁移学习与实战
Bro_Jun的博客
08-11 446
迁移学习 迁移学习：迁移学习一般是将大规模数据训练的模型向相关任务上迁移，且这个相关任务只有少量的训练数据。因为大规模数据训练的模型提取的底层特征的泛化能力更高，所以一般冻结底层权重；又因为是不同的任务，所以要放开高层权重。 迁移学习一般针对的是目标任务训练数据较少的情况 目标训练集的训练样本少，就要注意避免过拟合的问题 前几层一般都是来进行特征的提取和抽像 利用迁移学习进行表面缺陷检测 表面缺陷检测数据集 该数据集类的构建与多任务网络实战中无异。 导入包 import torch import num
pred_classes = torch.max(pred, dim=1)[1]
STANDEDS的博客
03-21 1008
>>> import torch >>> i=torch.Tensor([[1, 1, 0, 1], [0, 1, 1, 1], [0, 1, 0, 1]]) >>> i.size() torch.Size([3, 4]) >>> c=torch.max(i,dim=1) >>> c torch.return_types.max( values=.
pytorch: torch.max() 使用与理解
傲笑风的博客
12-13 1万+
在使用 pytorch 进行训练时，会使用使用到改行代码： predict = torch.max(outputs.data, 1)[1] 其中 output 为模型的输出，该函数主要用来求 tensor 的最大值。 每次看到都不太理解 torch.max() 的使用，为了下次看到或者写道时不会忘记，特意详细了解其用法。 torch.max(input:tensor, dim:index) 该函数有两个输入： inputs: tensor，第一个参数为一个张量 dim: index，第二个参数为一个整数[-
_, predicted = torch.max(outputs, 1)，_,的作用
Escape the bug的博客
01-15 6138
torch.max(k,1) 其中这个 1代表行，0的话代表列。 不加_,返回的是一行中最大的数。 加_,则返回一行中最大数的位置。 测试如下：
_,predicted = torch.max(outputs.data,dim)
csweettea的博客
10-30 1091
dim=1时，按行返回最大值所在索引 dim=0时，按列返回最大值所在索引 _,predicted = torch.max(outputs.data,dim)：返回最大值所在索引 predicted = torch.max(outputs.data,dim)：返回最大值 import torch tensor = torch.tensor([[1.2,-3,-6.,-9.0,-4.56,5.678]]) _,predicted = torch.max(tensor,1) print(pred..
Pytorch函数1 torch.max\ torch.min\ torch.squeeze\ torch.unsqueeze\ torch.rand \randn \randint
m0_49447595的博客
12-04 1652
Pytorch函数1 torch.max\ torch.min\ torch.squeeze\ torch.unsqueeze\ torch.rand \randn \randint
torch.max(input, dim)使用解释
qq_21686871的博客
04-08 2550
在深度学习的多分类神经网络统计预测正确的个数 1.函数结构torch.max(input, dim) input是一个softmax函数输出的tensor （当然，如果用CrossEntropyLoss()，最后一层是一个全连接层） dim是max函数索引的维度 0或1 0是每列的最大值，1是每行的最大值 2.函数输出torch.max(input, dim=1) 此函数输出两个tensor 1.第一个tensor是每行的最大概率 2.第二个tensor是每行最大概率的索引 由于我们不需要获取最大概率的值
torch.max()函数解释
最新发布
Chriswjhwjh的博客
01-23 384
torch.max(x,dim=0) 沿第0维寻找其他每个维度最大值，返回[4,1,2]尺寸的Tensor，这个Tensor是每个维度最大值的组合。torch.max(x):返回x中所有元素的最大值，一维的tensor。
【学习笔记】torch.max()[]详解
小羊羔子的BLOG
10-27 1871
torch.max(input, dim) 函数 output = torch.max(input, dim) 输入 input是softmax函数输出的一个tensor dim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.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值