這幾天關於accuracy和loss的計算有一些疑惑，原來是自己還沒有弄清楚。

給出例項

def train(train_loader,model,criteon,optimizer,epoch):
  train_loss = 0
  train_acc = 0
  num_correct= 0
  for step,(x,y) in enumerate(train_loader):

    # x: [b,3,224,224],y: [b]
    x,y = x.to(device),y.to(device)

    model.train()
    logits = model(x)
    loss = criteon(logits,y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    train_loss += float(loss.item())
    train_losses.append(train_loss)
    pred = logits.argmax(dim=1)
    num_correct += torch.eq(pred,y).sum().float().item()
  logger.info("Train Epoch: {}\t Loss: {:.6f}\t Acc: {:.6f}".format(epoch,train_loss/len(train_loader),num_correct/len(train_loader.dataset)))
  return num_correct/len(train_loader.dataset),train_loss/len(train_loader)

首先這樣一次訓練稱為一個epoch，樣本總數/batchsize是走完一個epoch所需的“步數”，相對應的，len(train_loader.dataset)也就是樣本總數，len(train_loader)就是這個步數。

那麼，accuracy的計算也就是在整個train_loader的for迴圈中（步數），把每個mini_batch中判斷正確的個數累加起來，然後除以樣本總數就行了；

而loss的計算有講究了，首先在這裡我們是計算交叉熵，關於交叉熵，也就是涉及到兩個值，一個是模型給出的logits，也就是10個類，每個類的概率分佈，另一個是樣本自身的

label，在Pytorch中，只要把這兩個值輸進去就能計算交叉熵，用的方法是nn.CrossEntropyLoss，這個方法其實是計算了一個minibatch的均值了，因此累加以後需要除以的步數，也就是

minibatch的個數，而不是像accuracy那樣是樣本個數，這一點非常重要。

以上就是本次介紹的全部知識點內容，感謝大家對我們的支援。