pytorch张量的.item()和.numpy()

pytorch张量的.item()和.numpy()

---

今天在加载一个pytorch代码时出现了在测试集上的精度计算为0的情况。于是小白我又懵圈了，代码明明是按书上敲的，怎么就是不对呢。代码本身非常简单，是一个MNIST数据集上的hello world代码。但没想到后面在测试集上的精度计算却给我来了一个意外的“惊喜”。（后面有MNIST的整个代码，和我写的精度为零的部分。），经过参考https://www.jianshu.com/p/be3276b434b2文章上的相关内容，我也只是知道了一个大概的修改方法，并在最后留下了一个疑问，至于为什么会这样，还是希望哪位路过的大神给解释一下。

---

问题描述：

在使用最后的代码进行求解精度的时候，精度的计算为0。出错代码行：

print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct/total)))

输出的内容为：

解决办法：

经过分别打印correct和total的类型，发现correct是tensor类型，而total是int类型，因此想到pytorch可以通过.numpy()和torch.from_numpy()实现tensor和numpy的ndarray类型之间的转换，如下例：

x = torch.rand(5,3)
y = x.numpy()
z = torch.from_numpy(y)

同时，对于1维的pytorch.tensor或者tensor中的某一个元素来说同样了使用.itme()获取tensor中的内容。于是我变将上面的print程序改成了如下的形式：

print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct/total)))
print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct.numpy()/total)))
print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct.item()/total)))
print('correct',correct)
print('total',total)
print('type(correct)',type(correct))
print('type(correct.numpy())',type(correct.numpy()))
print('type(correct.item())',type(correct.item()))
print('type(total)',type(total))

得到的结果如下：

通过这个结果，可以看到correct.numpy()的类型是ndarray，而correct.item()的类型是int。但这两种方式都能够正确的计算精度了。问题解决了。

疑问：

虽然我通过上面的方法解决了这个问题，但是我还是留下了一个疑问，因为我发现如果把print语句改成如下的形式，也能够得到正确的精度，但是这种方式没有显示的改变correct的类型啊？请问有哪位路过的大神指点一下呗！小弟在此谢谢啦！

print('Accuracy of the network on the 10000 test images: %d %%'%(100*correct/total))

完整代码：

大家如果感兴趣，可以试一下，注意修改download的参数，如果没有数据集就改成True吧，还有num_epochs我是为了图省事儿，才设定为1的。

from __future__ import print_function
import torch
import torch.nn as nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
from torch.autograd import Variable

torch.manual_seed(1)
input_size = 784
hidden_size = 500
num_classes = 10
num_epochs = 1
batch_size = 100
learning_rate = 0.001

train_dataset = dsets.MNIST(root = './data', train=True, transform=transforms.ToTensor(), download=False)
test_dataset = dsets.MNIST(root = './data', train = False, transform=transforms.ToTensor())

train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)

class Net(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

net = Net(input_size, hidden_size, num_classes)
print(net)

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)

for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = Variable(images.view(-1, 28*28))
        labels = Variable(labels)

        optimizer.zero_grad()

        outputs = net(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [%d/%d], Step[%d/%d], Loss: %.4f'%(epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.item()))


correct = 0
total = 0
for images, labels in test_loader:
    images = Variable(images.view(-1, 28*28))
    outputs = net(images)
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum()

print('Accuracy of the network on the 10000 test images: %d %%'%(100*correct/total))
print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct/total)))
print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct.numpy()/total)))
print('Accuracy of the network on the 10000 test images: %d %%'%(100*(correct.item()/total)))
print('correct',correct)
print('total',total)
print('type(correct)',type(correct))
print('type(correct.numpy())',type(correct.numpy()))
print('type(correct.item())',type(correct.item()))
print('type(total)',type(total))