ShuffleNet中accuracy准确率计算函数的correct变量逻辑疑问

首先先明确函数输入的张量形状：

• output：形状为[batch_size, num_classes]，每一行对应一个样本在所有类别上的预测得分
• target：形状为[batch_size]，每个元素是对应样本的真实类别索引

我们逐行拆解到correct的计算过程：

1. maxk = max(topk)：取需要计算的topk的最大值，比如传入topk=(1,5)时maxk=5，表示要取每个样本得分最高的前5个预测类别
2. _, pred = output.topk(maxk, 1, True, True)：topk接口返回的第一个值是前maxk个预测的得分，我们不需要，取第二个返回值pred，它的形状是[batch_size, maxk]，每一行是单个样本的前maxk个预测类别索引，按得分从高到低排序
3. pred = pred.t()：对pred做转置，形状变为[maxk, batch_size]，此时每一列对应一个样本的前maxk个预测类别
4. 处理target适配比对维度：target.view(1, -1)会把原本一维的target转为形状[1, batch_size]的二维张量，再调用.expand_as(pred)会把这个张量沿第0维复制maxk次，最终形状和转置后的pred一致为[maxk, batch_size]，此时这个扩展后的target每一行都是完整的batch真实标签
5. pred.eq(target.view(1, -1).expand_as(pred))：对应位置逐元素做相等判断，此时pred的每一列是单个样本的前maxk个预测，扩展后的target每一列全是该样本的真实标签，对应位置为True就说明该位次的预测命中了真实类别。

举个直观的小例子，假设batch_size=2，maxk=3：

• 转置后的pred为：

[[2, 5],
 [7, 2],
 [9, 1]]

• 真实target为[7, 1]，扩展后形状和pred一致：

[[7, 1],
 [7, 1],
 [7, 1]]

eq后的correct结果为：

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

可以看到第一个样本（第一列）的第二位预测命中，说明top2精度下该样本算预测正确；第二个样本（第二列）的第三位预测命中，说明top3精度下该样本算预测正确。

后续的精度计算就是取前k行的correct值求和，得到topk下的命中样本总数，除以batch size再乘100就是对应的百分比精度。

内容的提问来源于stack exchange，提问作者Afsaneh Ebrahimi