语义分割训练精度计算

语义分割训练的output结果一般是[batch_size, num_classes, width, height]这样的形式，而label的结果一般是[batch_size, width, height]，类似如下形状，outputs：[4,6,480,320]，而真值label：[4,480,320]。由于维度不同，无法直接比较，所以这两者要比较就要采取一点方法。

output里面每个类型都有一个值，要取最大的值作为得到的类别结果，所以要用到torch.max()函数。

output = torch.max(input, dim)
# input是softmax函数输出的一个tensor
# dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值

dim就是维度，我这里应该取1

该函数的输出是：

函数会返回两个tensor，第一个tensor是每行的最大值；第二个tensor是每行最大值的索引。

一般我们不需要tensor每行的最大值，而需要的是索引，也就是结果是哪一类。因为这里的num_classes维度为1，所以dim=1，也就是取出这个维度上的最大值。

torch.max(output, dim=1)

其次，我们需要比较output和label的值，那就是说对长*宽的所有像素，要比较类别，如果类别一致就加到正确结果中，用正确结果的数量去除以所有像素的总数量，就是精度。这里有两个问题需要解决：

1. 计算两个tensor之间有多少值相等

在PyTorch中，要计算两个tensor之间有多少值相等，可以使用torch.eq()函数来生成一个布尔型tensor，其中每个元素表示对应位置的元素是否相等（相等为True，不相等为False）。然后，可以使用torch.sum()函数来计算这个布尔型tensor中True的总数，即有多少值相等。但是，需要注意的是，torch.sum()默认计算的是所有元素的和，对于布尔型tensor，True会被当作1处理，False会被当作0处理。

举例如下：

import torch  
  
# 定义两个tensor  
tensor1 = torch.tensor([1, 2, 3, 4, 5])  
tensor2 = torch.tensor([1, 3, 3, 4, 6])  
  
# 使用torch.eq()比较两个tensor  
equal_mask = torch.eq(tensor1, tensor2)  
  
# 计算相等的值的数量  
equal_count = torch.sum(equal_mask)  
  
print("相等的值的数量:", equal_count)
# 输出：相等的值的数量: tensor(3)

在这个例子中，tensor1和tensor2在位置0、2、3的值是相等的（即1，3和4），所以输出会是相等的值的数量: tensor(3, dtype=torch.int64)，表示有3个值相等。

注意，torch.sum()的默认数据类型是torch.int64，但你可以通过指定dtype参数来改变结果的数据类型，例如torch.sum(equal_mask, dtype=torch.float32)。不过，在这个场景下，通常使用默认的torch.int64就足够了。

2. 获取一个tensor的所有元素总数

在PyTorch中，要获取一个tensor的元素个数（即tensor的总大小），可以使用.numel()方法。这个方法会返回tensor中所有元素的数量，不论tensor的维度如何。

下面是一个简单的例子：

import torch  
  
# 定义一个tensor  
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])  
  
# 获取tensor的元素个数  
num_elements = tensor.numel()  
  
print("Tensor的元素个数:", num_elements)
# 输出：Tensor的元素个数: 6

在这个例子中，tensor是一个2x3的二维tensor，包含6个元素。因此，输出将会是Tensor的元素个数: 6。

.numel()方法非常适合于快速计算tensor中元素的总数，无需手动计算各维度的乘积。这是处理不同形状和大小的tensor时的一个非常有用的功能。

综上所述，完整的计算模型训练精度的函数如下：

def get_acc(y_pred, y_true, num_classes):
    #print("y_pred.shape: ", y_pred.shape)
    #print("y_true.shape: ", y_true.shape)
    temp = torch.max(y_pred, dim=1)
    #print(temp[1])
    #print(temp[1].shape)
    # 比较y_true和temp[1]
    equal_mask = torch.eq(temp[1], y_true) # temp[1]就是返回的dim=1的最大值索引，也即是类别号
    equal_count = torch.sum(equal_mask)
    num_elements = y_true.numel()
    #print("equal_count: ", equal_count)
    #print("num_elements: ", num_elements)
    acc = equal_count/num_elements
    #print("acc: ", acc)
    return acc