在分類問題中，通常需要使用max()函數(shù)對softmax函數(shù)的輸出值進行操作，求出預測值索引，然后與標簽進行比對崩掘，計算準確率。下面講解一下torch.max()函數(shù)的輸入及輸出值都是什么少办，便于我們理解該函數(shù)苞慢。
1. torch.max(input, dim) 函數(shù)
output = torch.max(input, dim)
輸入
input是softmax函數(shù)輸出的一個tensordim是max函數(shù)索引的維度0/1，0是每列的最大值英妓，1是每行的最大值
輸出
- 函數(shù)會返回兩個
tensor挽放，第一個tensor是每行的最大值；第二個tensor是每行最大值的索引鞋拟。
在多分類任務中我們并不需要知道各類別的預測概率骂维，所以返回值的第一個tensor對分類任務沒有幫助，而第二個tensor包含了預測最大概率的索引贺纲，所以在實際使用中我們僅獲取第二個tensor即可航闺。
下面通過一個實例可以更容易理解這個函數(shù)的用法。
import torch
a = torch.tensor([[1,5,62,54], [2,6,2,6], [2,65,2,6]])
print(a)
輸出：
tensor([[ 1, 5, 62, 54],
[ 2, 6, 2, 6],
[ 2, 65, 2, 6]])
索引每行的最大值：
torch.max(a, 1)
輸出：
torch.return_types.max(
values=tensor([62, 6, 65]),
indices=tensor([2, 3, 1]))
在計算準確率時第一個tensor values是不需要的猴誊，所以我們只需提取第二個tensor潦刃，并將tensor格式的數(shù)據(jù)轉(zhuǎn)換成array格式。
torch.max(a, 1)[1].numpy()
輸出：
array([2, 3, 1], dtype=int64)
這樣懈叹，我們就可以與標簽值進行比對乖杠，計算模型預測準確率。
*注：在有的地方我們會看到torch.max(a, 1).data.numpy()的寫法澄成，這是因為在早期的pytorch的版本中胧洒，variable變量和tenosr是不一樣的數(shù)據(jù)格式畏吓，variable可以進行反向傳播，tensor不可以卫漫，需要將variable轉(zhuǎn)變成tensor再轉(zhuǎn)變成numpy》票現(xiàn)在的版本已經(jīng)將variable和tenosr合并，所以只用torch.max(a,1).numpy()就可以了列赎。
2.準確率的計算
pred_y = torch.max(predict, 1)[1].numpy()
label_y = torch.max(label, 1)[1].data.numpy()
accuracy = (pred_y == label_y).sum() / len(label_y)
predict - softmax函數(shù)輸出
label - 樣本標簽宏悦，這里假設它是one-hot編碼
