分類網絡預測結果代碼解析

分類網絡到底預測了什麼

以前沒搞懂分類網絡中，一張圖片經過了神經網絡後怎麼就變成圖片類別的，現在研究出了一點自己的體會，分享給大家，純屬原創。

分類網絡基本套路代碼

outputs = net(inputs)
        loss = criterion(outputs, targets)
        # loss is variable , if add it(+=loss) directly, there will be a bigger ang bigger graph.
        test_loss += loss.item()
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct+=predicted.eq(targets.data).cpu().sum()
        

這裏的net是分類網絡，有很多種，當我們把一張圖片歸一化後輸入到網絡中，這張圖片就開始被各鍾各樣的卷積核給卷積，卷積的操作我就不在這解釋了。
torch.Size([100, 3, 32, 32])
torch.Size([100, 128])
torch.Size([100, 10])
tensor(-2.2718, device=‘cuda:0’, grad_fn=)
原本輸入了100張圖片的數據，每張圖片都是彩色（3表示彩色）每張圖片都是32×32的大小，輸入到網絡中經過卷積層卷積，變成了一個個的矩陣，矩陣維度是四維。
再經過連接層後變成了二維矩陣，也就是上面的最後一個torch size，100是100張圖片，10是連接層中最後一層的輸出通道，這個輸出通道自己根據要判斷的圖片類別而設置，每個通道能經過加權求和得到一個數字，這裏也就是得到10個數字。
到此，原本的一張彩色圖片，經過網絡後變成了10個數字（設置圖片類別數是10），這10個數字代表對應類別的概率，比如一張圖片它是0類別（用0到9的數字分別表示10類）那麼在10個通道中的第一個通道就是判斷爲0類別的概率。
我們只需用torch.max這個代碼就能得到一張圖片輸出後的10個數字中，哪個數字最大，那個最大的數字代表的通道就是預測的類別，比如第一個通道的數字最大，那麼就對應0類別。

到此就實現了網絡預測圖片是哪一類別了，當然準不準要另說。

學生黨一枚，如有不對的地方請給我留言，謝謝!