我不明白在 pytorch 中训练分类器的代码

Question

我不明白labels.size(0) 这行。我是 Pytorch 的新手，对数据结构很困惑。

correct = 0
total = 0
with torch.no_grad():
   for data in testloader:
      images, labels = data
      outputs = net(images)
      _, predicted = torch.max(outputs.data, 1)
      total += labels.size(0)
      correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))`

Answer 1

labels 是一个尺寸为[N, 1] 的张量，其中N 等于批次中的样本数。 .size(...) 返回具有张量维度的元组 (torch.Size) 的子类，.size(0) 返回具有第一个（基于 0）维度的值的整数（即 N）。

Answer 2

回答您的问题

在 PyTorch 中，tensor.size() 允许您检查张量的形状。

在您的代码中，

images, labels = data

images 和 labels 将分别包含 N 训练示例的数量取决于您的批量大小。如果查看标签的形状，应该是[N, 1]，其中 N 是 mini-batch 训练样例的大小。

对于刚开始训练神经网络的人来说有点先见之明。

在训练神经网络时，从业者将通过网络将数据集前向传递并优化梯度。

假设您的训练数据集包含 100 万张图像，并且您的训练脚本的设计方式是在单个 epoch 中传递所有 100 万张图像。这种方法的问题在于，您需要很长时间才能从神经网络接收反馈。这就是小批量训练的用武之地。

在 PyTorch 中，DataLoader 类允许我们将数据集拆分为多个批次。如果您的训练加载器包含 100 万个示例并且批量大小为 1000，那么您将期望每个 epoch 将在所有小批量中迭代 1000 步。这样，您可以更好地观察和优化训练性能。