如何用PyTorch打印各类别预测准确率？代码问题排查

我帮你梳理了代码里的几个关键错误，这些正是导致预测准确率不符合预期的核心原因：

1. 硬编码的Batch Size循环 #

你写了for i in range(4)来遍历batch里的样本，但实际数据集的batch size不一定固定为4（比如最后一个batch的样本数通常会更少）。这会引发两种问题：要么索引越界报错，要么漏算/多算样本，最终让统计结果完全失真。

2. 输入变量名错误 #

你用了outputs = model(inputs)，但从dataloaders['val']加载的变量是images, labels = data，这里应该用images作为模型输入，而非未定义的inputs——这会导致模型用了错误的输入数据，预测结果自然不可能正确。

3. 统计变量未重置 #

class_correct和class_total应该在每个epoch的验证阶段开始前重新初始化，否则会累加多个epoch的统计结果，导致准确率计算彻底偏离预期。

4. 模型模式未切换 #

验证阶段必须把模型切换到eval()模式，关闭dropout、batch norm等训练专属的层行为，否则会严重影响预测结果的稳定性和准确性。

修正后的完整代码片段 #

把这段代码整合到你的迁移学习流程中，替换原有的统计部分：

num_epochs = 1
num_classes = 3  # 你的数据集类别数

for epoch in range(num_epochs):
    print(f'Epoch {epoch+1}/{num_epochs}')
    print('-' * 10)

    # 每个epoch包含训练和验证两个阶段
    for phase in ['train', 'val']:
        if phase == 'train':
            model.train()  # 切换到训练模式
        else:
            model.eval()    # 切换到评估模式
            # 初始化当前epoch验证阶段的类别统计变量
            class_correct = list(0. for _ in range(num_classes))
            class_total = list(0. for _ in range(num_classes))

        running_loss = 0.0
        running_corrects = 0

        # 遍历数据加载器
        for data in dataloaders[phase]:
            images, labels = data
            # 把数据移到指定设备（GPU/CPU）
            images = images.to(device)
            labels = labels.to(device)

            # 训练阶段清空梯度
            optimizer.zero_grad()

            # 前向传播：训练阶段开启梯度，验证阶段关闭
            with torch.set_grad_enabled(phase == 'train'):
                outputs = model(images)  # 使用正确的输入变量images
                _, preds = torch.max(outputs, 1)
                loss = criterion(outputs, labels)

                # 训练阶段执行反向传播和优化
                if phase == 'train':
                    loss.backward()
                    optimizer.step()

            # 累计全局的loss和正确数
            running_loss += loss.item() * images.size(0)
            running_corrects += torch.sum(preds == labels.data)

            # 验证阶段统计每个类别的正确数和总数
            if phase == 'val':
                correct_mask = (preds == labels.data).squeeze()
                # 遍历当前batch的所有样本，用实际batch大小替代硬编码的4
                for i in range(labels.size(0)):
                    label = labels.data[i]
                    class_correct[label] += correct_mask[i].item()
                    class_total[label] += 1

        # 计算当前阶段的整体loss和准确率
        epoch_loss = running_loss / dataset_sizes[phase]
        epoch_acc = running_corrects.double() / dataset_sizes[phase]

        print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}')

        # 验证阶段结束后打印每个类别的准确率
        if phase == 'val':
            print('\nPer class accuracy:')
            for i in range(num_classes):
                if class_total[i] > 0:
                    acc = 100 * class_correct[i] / class_total[i]
                    print(f'Accuracy of class {i}: {class_correct[i]:.0f} / {class_total[i]:.0f} = {acc:.4f} %')
                else:
                    print(f'Accuracy of class {i}: No samples in validation set')
            print()

关键修正点说明 #

• 用labels.size(0)替代硬编码的4，适配任意batch size，避免索引错误和统计遗漏；
• 把model(inputs)改为model(images)，使用从数据加载器中获取的正确输入；
• 在每个epoch的验证阶段开始时重新初始化class_correct和class_total，确保统计只针对当前epoch的验证数据；
• 通过model.eval()和torch.set_grad_enabled(phase == 'train')，确保验证阶段模型处于正确的评估状态；
• 统计时用.item()把张量转为普通数值，避免张量累加导致的计算异常。

这样修改后，每个类别的准确率统计就会和全局的running_corrects结果完全匹配，比如你提到的running_corrects = 2 + 2的情况就能得到正确的统计结果。

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