论文复现：def accuracy(output, target, topk=(1,))

详细步骤解释

1. 计算批次大小和最大K值:

   • 批次大小为3（3个样本）。
   • 最大K值为2（我们查找每个样本的前两个最高预测）。

2. 提取Top-K预测索引:

   • 对于第一个样本 [0.1, 0.2, 0.3, 0.4, 0.0]，Top-2 的索引是 [3, 2]（值0.4和0.3）。
   • 对于第二个样本 [0.5, 0.3, 0.2, 0.0, 0.0]，Top-2 的索引是 [0, 1]（值0.5和0.3）。
   • 对于第三个样本 [0.2, 0.1, 0.5, 0.2, 0.0]，Top-2 的索引是 [2, 3]（值0.5和0.2）。

3. 扩展目标标签以便比较:

   将目标标签 [3, 0, 2] 转换为二维 [ [3], [0], [2] ] 并扩展以匹配预测索引的形状，结果是：

[[3, 3],
 [0, 0],
 [2, 2]]

1. 计算正确预测的掩码:

   比较预测索引和扩展后的目标标签，得到正确的预测掩码。对于上面的例子，结果可能如下：

[[True, False],
 [True, False],
 [True, False]]

1. 计算每个Top-K的准确率:

   • Top-1: 正确掩码第一行的平均值（所有样本的Top-1预测是否正确），例如100%。
   • Top-2: 正确掩码所有行的平均值，也可能是100%。

完整的可运行代码

import torch

def print_step_by_step(output, target, topk=(1,2)):
    with torch.no_grad():
        maxk = max(topk)
        batch_size = target.size(0)
        print(f"Batch size: {batch_size}, Max k: {maxk}")

        # 获取 top-k 预测索引
        _, pred = output.topk(maxk, 1, True, True)
        pred = pred.t()
        print(f"Predicted top-{maxk} indices per sample: \n{pred}")

        # 目标标签转换为适合比较的形状
        target_expanded = target.view(1, -1).expand_as(pred)
        print(f"Target expanded for comparison: \n{target_expanded}")

        # 计算正确预测的掩码
        correct = pred.eq(target_expanded)
        print(f"Correct prediction mask: \n{correct}")

        # 计算每个 top-k 的准确率
        res = []
        for k in topk:
            correct_k = correct[:k].reshape(-1).float().sum(0, keepdim=True)
            accuracy_k = correct_k.mul_(100.0 / batch_size)
            res.append(accuracy_k.item())
            print(f"Top-{k} accuracy: {accuracy_k.item()}%")
        return res

# 模拟的输出和目标标签
output = torch.tensor([
    [0.1, 0.2, 0.3, 0.4, 0.0],  # 第一个样本
    [0.5, 0.3, 0.2, 0.0, 0.0],  # 第二个样本
    [0.2, 0.1, 0.5, 0.2, 0.0]   # 第三个样本
])

target = torch.tensor([3, 0, 2])  # 真实类别索引

# 调用函数并打印结果
print_step_by_step(output, target, topk=(1, 2))