学习笔记: 源码 accuracy_layer.cpp 略明

最新推荐文章于 2026-06-04 09:42:06 发布

原创最新推荐文章于 2026-06-04 09:42:06 发布 · 1.3k 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

Caffe&TF&Mxnet 专栏收录该内容

19 篇文章

订阅专栏

本文详细介绍了AccuracyLayer的功能与工作原理，包括其成员属性topK及forward()函数的具体实现过程，通过实例解析了如何计算分类准确率。

AccuracyLayer 是计算分类准确率的层。输出分类准确率。

1. AccuracyLayer 的成员：

topK : 计算 topK 的准确率。默认为1，即 top1 的准确率。

topK准确率准则下，分类正确的定义如下：在你模型对一个样本进行分类时，对于每一类都有产生一 个概率，取topK 个概率对应的predicted label，如果这topK个 predicted label 中包含 ground truth label，则认为这次分类正确。

2. forward()

AccuracyLayer 只能计算准确率，不需要也不能后向传播。当只有一个top时，会记录一个总的分类准确率，当有两个top时，另一个top会记录每一类各自的准确率。

template <typename Dtype>
void AccuracyLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  Dtype accuracy = 0;
  const Dtype* bottom_data = bottom[0]->cpu_data();
  const Dtype* bottom_label = bottom[1]->cpu_data();
  const int dim = bottom[0]->count() / outer_num_;
  const int num_labels = bottom[0]->shape(label_axis_);
  vector<Dtype> maxval(top_k_+1);
  vector<int> max_id(top_k_+1);
  if (top.size() > 1) {
    caffe_set(nums_buffer_.count(), Dtype(0), nums_buffer_.mutable_cpu_data());
    caffe_set(top[1]->count(), Dtype(0), top[1]->mutable_cpu_data());
  }
  int count = 0;
  for (int i = 0; i < outer_num_; ++i) {
    for (int j = 0; j < inner_num_; ++j) {
      const int label_value =
          static_cast<int>(bottom_label[i * inner_num_ + j]);
      if (has_ignore_label_ && label_value == ignore_label_) {
        continue;
      }
      if (top.size() > 1) ++nums_buffer_.mutable_cpu_data()[label_value];
      DCHECK_GE(label_value, 0);
      DCHECK_LT(label_value, num_labels);
      // Top-k accuracy
      std::vector<std::pair<Dtype, int> > bottom_data_vector;
      for (int k = 0; k < num_labels; ++k) {
        bottom_data_vector.push_back(std::make_pair(  //用bottom_data_vector记录该样本分类 每一类的概率。
            bottom_data[i * dim + k * inner_num_ + j], k));
      }
      std::partial_sort(
          bottom_data_vector.begin(), bottom_data_vector.begin() + top_k_,  //topK排序
          bottom_data_vector.end(), std::greater<std::pair<Dtype, int> >());
      // check if true label is in top k predictions
      for (int k = 0; k < top_k_; k++) {
        if (bottom_data_vector[k].second == label_value) {  //累计分类准确的个数
          ++accuracy;
          if (top.size() > 1) ++top[1]->mutable_cpu_data()[label_value];  //累计每一类的分类准确的个数
          break;
        }
      }
      ++count;
    }
  }
  // LOG(INFO) << "Accuracy: " << accuracy;
  top[0]->mutable_cpu_data()[0] = accuracy / count;   //计算分类准确率，分类正确数除以总数
  if (top.size() > 1) {
    for (int i = 0; i < top[1]->count(); ++i) {     //计算每一类的分类准确率
      top[1]->mutable_cpu_data()[i] =
          nums_buffer_.cpu_data()[i] == 0 ? 0
          : top[1]->cpu_data()[i] / nums_buffer_.cpu_data()[i];
    }
  }
  // Accuracy layer should not be used as a loss function.
}

std::partial_sort() 函数原型有：

partial_sort(begin,mid,end)
partial_sort(begin,mid,end,comp)

顾名思义，这是个局部排序，底层实现是推排序，得到 前(mid - begin) 个结果，排序方式按comp进行。

std::greater<std::pair<Dtype, int> >() 函数 则按 pair.first 进行降序排序。