Pytorch实现Top1准确率和Top5准确率

Pytorch实现Top1准确率和Top5准确率需要通过计算模型在测试集上的预测结果与真实标签的匹配情况来实现。具体步骤如下：

1. 首先，使用模型对测试集中的样本进行预测，得到每个样本的预测结果。

2. 对于每个样本，将预测结果按照概率从高到低排序，得到一个概率列表。

3. 获取真实标签在概率列表中的位置，如果真实标签在概率列表中的第一个位置，则表示该样本的Top1准确率为1，否则Top1准确率为0。

4. 获取真实标签在概率列表中前5个位置的个数，如果个数大于等于1，则表示该样本的Top5准确率为1，否则Top5准确率为0。

5. 对于所有测试集样本的Top1准确率和Top5准确率进行累加计算，最终得到平均Top1准确率和Top5准确率。

以下是一个示例代码实现：

import torch

def accuracy(output, target, topk=(1, 5)):
    """计算模型的Top-K准确率"""
    with torch.no_grad():
        maxk = max(topk)
        batch_size = target.size(0)

        _, pred = output.topk(maxk, 1, True, True)
        pred = pred.t()
        correct = pred.eq(target.view(1, -1).expand_as(pred))

        res = []
        for k in topk:
            correct_k = correct[:k].reshape(-1).float().sum(0, keepdim=True)
            res.append(correct_k.mul_(100.0 / batch_size))
        return res

# 计算模型在测试集上的Top1准确率和Top5准确率
model.eval()
top1_acc = 0.0
top5_acc = 0.0
total = 0
for data in test_loader:
    images, labels = data[0].to(device), data[1].to(device)
    outputs = model(images)
    acc1, acc5 = accuracy(outputs, labels, topk=(1, 5))
    top1_acc += acc1.item() * images.size(0)
    top5_acc += acc5.item() * images.size(0)
    total += images.size(0)
top1_acc /= total
top5_acc /= total

print(f"Top1 Accuracy: {top1_acc:.2f}%")
print(f"Top5 Accuracy: {top5_acc:.2f}%")

其中，`accuracy`函数用于计算模型的Top-K准确率，`output`是模型的预测输出，`target`是真实标签，`topk`是一个元组，表示要计算的Top-K值，默认为(1, 5)。在计算Top-K准确率时，会将预测输出按照概率从高到低排序，然后获取前K个预测值与真实标签的匹配情况，最终返回一个列表，包含Top-K准确率的值。在计算测试集上的Top1准确率和Top5准确率时，需要将模型设置为评估模式(`model.eval()`)，然后对测试集中的每个样本进行预测，并累加Top1准确率和Top5准确率的值，最终除以测试集样本的总数，得到平均Top1准确率和Top5准确率。