参考来源：
简书：torch.max() 使用讲解

在分类问题中，通常需要使用 **max()** 函数对 **softmax** 函数的输出值进行操作，求出预测值索引，然后与标签进行比对，计算准确率。下面讲解一下 **torch.max()** 函数的输入及输出值都是什么，便于我们理解该函数。

1. torch.max(input, dim) 函数

output = torch.max(input, dim)

输入

  • **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。

输出

  • 函数会返回两个** tensor**，第一个 **tensor** 是每 行/列 的最大值；第二个 **tensor** 是每 行/列 最大值的索引。

在多分类任务中我们并不需要知道各类别的预测概率，所以返回值的第一个 **tensor** 对分类任务没有帮助，而第二个 **tensor** 包含了预测最大概率的索引，所以在实际使用中我们仅获取第二个 **tensor** 即可。

下面通过一个实例可以更容易理解这个函数的用法。

  1. import torch
  2. a = torch.tensor([[1,5,62,54], [2,6,2,6], [2,65,2,6]])
  3. print(a)

输出：

  1. tensor([[ 1,  5, 62, 54],
  2.         [ 2,  6,  2,  6],
  3.         [ 2, 65,  2,  6]])

索引每行的最大值：

  1. torch.max(a, 1)

输出：

  1. torch.return_types.max(
  2. values=tensor([62,  6, 65]),
  3. indices=tensor([2, 3, 1]))

在计算准确率时第一个 **tensor values** 是不需要的，所以我们只需提取第二个 **tensor** ，并将 **tensor** 格式的数据转换成 **array** 格式。

  1. torch.max(a, 1)[1].numpy()

输出：

  1. array([2, 3, 1], dtype=int64)

这样，我们就可以与标签值进行比对，计算模型预测准确率。
注：在有的地方我们会看到 **torch.max(a, 1).data.numpy()** 的写法，这是因为在早期的 pytorch 的版本中， variable 变量和 tenosr 是不一样的数据格式，variable 可以进行反向传播，tensor 不可以，需要将 variable 转变成 tensor 再转变成 numpy 。现在的版本已经将 variable 和 tenosr 合并，所以只用 **torch.max(a,1).numpy()** 就可以了。

2. 准确率的计算

  1. pred_y = torch.max(predict, 1)[1].numpy()
  2. label_y = torch.max(label, 1)[1].data.numpy()
  3. accuracy = (pred_y == label_y).sum() / len(label_y)

**predict**：softmax 函数输出
**label**：样本标签，这里假设它是 one-hot 编码