我不理解在pytorch中训练分类器的代码

Question

我不明白线labels.size(0)。我是Pytorch的新手，对数据结构非常困惑。

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

回答你的问题

在PyTorch中，tensor.size()允许您检查张量的形状。

在你的代码中，

images, labels = data

images和labels将各自包含N数量的培训示例取决于您的批量大小。如果你看看标签的形状，它应该是[N, 1]，其中N是小批量训练示例的大小。

对于那些刚接触神经网络的人来说，这是一种先见之明。

在训练神经网络时，从业者将转发数据集通过网络并优化梯度。

假设您的训练数据集包含100万张图像，您的训练脚本的设计方式是在一个时期内传递所有100万张图像。这种方法的问题是您需要很长时间才能从神经网络接收反馈。这是小批量培训的用武之地。

在PyTorch中，DataLoader类允许我们将数据集拆分为多个批次。如果您的训练装载器包含1百万个示例且批量大小为1000，那么您将期望每个时期将遍历所有小批量的1000步。这样，您可以更好地观察和优化训练表现。

Answer 2

labels是尺寸为[N, 1]的张量，其中N等于批次中的样本数量。 .size(...)返回具有Tensor维度的元组（torch.Size）的子类，.size(0)返回一个整数，其值为第一个（从0开始）维度（即N）。