计算机视觉：图像分类：图像分类的评估指标与方法

计算机视觉：图像分类：图像分类的评估指标与方法1计算机视觉与图像分类简介1.1计算机视觉的基本概念计算机视觉（ComputerVision,CV）是人工智能的一个重要分支，它致力于使计算机能够“看”和理解图像或视频中的内容。计算机视觉技术通过算法解析和理解视觉数据，实现对图像或视频的识别、分类、定位、跟踪等功能。其核心目标是让计算机能够像人类一样“看”世界，理解并解释视觉信息。1.1.1关键技术图像处理：包括图像增强、图像分割、特征提取等，为后续的分析和识别提供基础。模式识别：通过学习和识别图像中的模式，实现对图像内容的分类和识别。机器学习与深度学习：利用神经网络等模型，自动学习图像特征，提高识别的准确性和鲁棒性。1.1.2应用领域自动驾驶：识别道路标志、行人、车辆等，辅助驾驶决策。医疗影像分析：自动识别和分析X光片、CT扫描等，辅助疾病诊断。安防监控：识别异常行为、人脸等，提高安全监控效率。工业检测：自动检测产品质量，提高生产效率。1.2图像分类的任务与挑战图像分类是计算机视觉中的一个基本任务，其目标是将输入的图像分配到预定义的类别中。例如，识别一张图片中的对象是猫、狗还是其他物体。图像分类任务在很多领域都有广泛的应用，如社交媒体内容分析、产品推荐系统等。1.2.1原理图像分类通常通过以下步骤实现：数据预处理：包括图像的裁剪、缩放、归一化等，确保输入数据的一致性和质量。特征提取：从图像中提取有助于分类的特征，如颜色、纹理、形状等。模型训练：使用机器学习或深度学习模型，如支持向量机（SVM）、卷积神经网络（CNN）等，基于标记的训练数据学习分类规则。分类预测：对新的图像应用训练好的模型，预测其所属的类别。1.2.2挑战数据多样性：图像中的对象可能在不同的光照、角度、尺度下出现，增加了分类的难度。数据量：高质量的图像分类模型通常需要大量的训练数据，数据的获取和标注成本高。计算资源：深度学习模型的训练和推理需要大量的计算资源，对硬件有较高要求。模型泛化能力：模型需要在未见过的数据上也能保持良好的分类性能，这要求模型具有较强的泛化能力。1.2.3示例：使用Keras进行图像分类#导入所需库

importtensorflowastf

fromtensorflow.keras.modelsimportSequential

fromtensorflow.keras.layersimportConv2D,MaxPooling2D,Flatten,Dense

fromtensorflow.keras.preprocessing.imageimportImageDataGenerator

#创建模型

model=Sequential([

Conv2D(32,(3,3),activation='relu',input_shape=(150,150,3)),

MaxPooling2D(2,2),

Conv2D(64,(3,3),activation='relu'),

MaxPooling2D(2,2),

Conv2D(128,(3,3),activation='relu'),

MaxPooling2D(2,2),

Flatten(),

Dense(512,activation='relu'),

Dense(1,activation='sigmoid')

])

#编译模型

pile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])

#数据预处理

train_datagen=ImageDataGenerator(rescale=1./255)

test_datagen=ImageDataGenerator(rescale=1./255)

train_generator=train_datagen.flow_from_directory(

'train_data',#这是训练数据的目录

target_size=(150,150),

batch_size=20,

class_mode='binary')

validation_generator=test_datagen.flow_from_directory(

'validation_data',#这是验证数据的目录

target_size=(150,150),

batch_size=20,

class_mode='binary')

#训练模型

model.fit(

train_generator,

steps_per_epoch=100,#训练数据集的样本数除以批量大小

epochs=10,

validation_data=validation_generator,

validation_steps=50)#验证数据集的样本数除以批量大小在这个示例中，我们使用了Keras库来构建一个简单的卷积神经网络（CNN）模型，用于二分类问题（如猫和狗的分类）。模型首先通过卷积层提取图像特征，然后通过全连接层进行分类。数据预处理使用了ImageDataGenerator，它可以自动从目录中读取和预处理图像数据，非常适合处理大量图像数据的场景。通过这个示例，我们可以看到图像分类任务的基本流程，包括模型构建、数据预处理、模型训练和验证。在实际应用中，可能还需要进行更复杂的模型调整和优化，以提高分类的准确性和效率。2图像分类评估指标2.1混淆矩阵与基本概念混淆矩阵是评估分类模型性能的重要工具，它以表格形式显示了模型预测结果与实际结果的对比。对于二分类问题，混淆矩阵通常包含四个关键值：TruePositives(TP):实际为正类，模型预测也为正类的样本数。TrueNegatives(TN):实际为负类，模型预测也为负类的样本数。FalsePositives(FP):实际为负类，但模型错误地预测为正类的样本数。FalseNegatives(FN):实际为正类，但模型错误地预测为负类的样本数。2.1.1示例代码假设我们有一个二分类模型，预测结果和实际结果如下：#导入必要的库

fromsklearn.metricsimportconfusion_matrix

#实际标签

y_true=[1,1,0,1,0,0,1,0,1,1]

#预测标签

y_pred=[1,0,0,1,0,0,1,1,1,0]

#计算混淆矩阵

cm=confusion_matrix(y_true,y_pred)

print(cm)输出结果可能为：[[31]

[24]]其中，[31]表示TN和FP，[24]表示FN和TP。2.2准确率、召回率与F1分数2.2.1准确率准确率（Accuracy）是分类正确的样本数占总样本数的比例，计算公式为：Accuracy2.2.2召回率召回率（Recall）是模型正确预测正类的能力，计算公式为：Recall2.2.3精确度精确度（Precision）是模型预测为正类的样本中实际为正类的比例，计算公式为：Precision2.2.4F1分数F1分数是精确度和召回率的调和平均数，计算公式为：F2.2.5示例代码使用sklearn.metrics中的函数计算准确率、召回率、精确度和F1分数：fromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_score

#计算准确率

accuracy=accuracy_score(y_true,y_pred)

print("准确率:",accuracy)

#计算召回率

recall=recall_score(y_true,y_pred)

print("召回率:",recall)

#计算精确度

precision=precision_score(y_true,y_pred)

print("精确度:",precision)

#计算F1分数

f1=f1_score(y_true,y_pred)

print("F1分数:",f1)2.3精确度、召回率曲线与AUC值2.3.1精确度-召回率曲线精确度-召回率曲线（Precision-RecallCurve）展示了在不同阈值下模型的精确度和召回率的变化情况。对于不平衡数据集，PR曲线比ROC曲线更有效。2.3.2AUC值AUC（AreaUndertheCurve）是PR曲线或ROC曲线下方的面积，AUC值越接近1，模型性能越好。2.3.3示例代码绘制精确度-召回率曲线并计算AUC值：fromsklearn.metricsimportprecision_recall_curve,auc

importmatplotlib.pyplotasplt

#模型预测的概率值

y_scores=[0.9,0.4,0.35,0.8,0.6,0.1,0.95,0.3,0.7,0.2]

#计算精确度和召回率

precision,recall,_=precision_recall_curve(y_true,y_scores)

#计算AUC值

auc_value=auc(recall,precision)

print("AUC值:",auc_value)

#绘制PR曲线

plt.plot(recall,precision,marker='.')

plt.xlabel('Recall')

plt.ylabel('Precision')

plt.show()2.4多分类问题的评估方法在多分类问题中，混淆矩阵、准确率、召回率、精确度和F1分数的概念可以扩展到多个类别。通常，我们会计算每个类别的指标，然后进行平均。2.4.1示例代码计算多分类问题的指标：fromsklearn.metricsimportclassification_report

#多分类的实际标签

y_true_multi=[2,1,0,2,0,0,1,2,2,1]

#多分类的预测标签

y_pred_multi=[1,1,0,2,0,0,2,1,2,0]

#计算并打印分类报告

report=classification_report(y_true_multi,y_pred_multi)

print(report)输出可能包括每个类别的精确度、召回率和F1分数，以及加权平均值。以上内容详细介绍了图像分类评估指标的原理和计算方法，包括混淆矩阵、准确率、召回率、精确度、F1分数以及精确度-召回率曲线和AUC值的计算。同时，提供了多分类问题评估指标的计算示例。通过这些指标，可以全面评估图像分类模型的性能。3图像分类评估方法3.1交叉验证技术交叉验证（Cross-validation）是一种评估模型性能的统计学方法，主要用于防止过拟合，通过将数据集分为训练集和验证集的多个子集来进行多次训练和测试。这种方法可以更准确地估计模型在未见数据上的表现。3.1.1原理交叉验证的基本思想是将数据集分为k个子集，每次将其中一个子集作为验证集，其余k-1个子集作为训练集，进行k次训练和验证，最后将这k次的验证结果进行平均，作为模型的评估结果。3.1.2代码示例假设我们使用Python的sklearn库来进行交叉验证，以下是一个使用KFold进行交叉验证的例子：fromsklearn.model_selectionimportKFold

fromsklearn.datasetsimportload_iris

fromsklearn.svmimportSVC

fromsklearn.metricsimportaccuracy_score

#加载数据

data=load_iris()

X=data.data

y=data.target

#初始化模型

model=SVC()

#初始化交叉验证

kfold=KFold(n_splits=5,shuffle=True,random_state=42)

#进行交叉验证

scores=[]

fortrain_index,test_indexinkfold.split(X):

X_train,X_test=X[train_index],X[test_index]

y_train,y_test=y[train_index],y[test_index]

#训练模型

model.fit(X_train,y_train)

#预测

y_pred=model.predict(X_test)

#计算准确率

score=accuracy_score(y_test,y_pred)

scores.append(score)

#输出平均准确率

print("平均准确率:",sum(scores)/len(scores))3.2k折交叉验证详解k折交叉验证（k-FoldCross-validation）是交叉验证的一种，其中数据集被随机分为k个相等的子集，每个子集轮流作为验证集，其余作为训练集，进行k次训练和验证。3.2.1原理在k折交叉验证中，数据集被分为k个互斥的子集，每个子集大约包含相同数量的样本。模型在k-1个子集上训练，在剩下的一个子集上验证。这个过程重复k次，每次选择不同的子集作为验证集，最后将k次的验证结果进行平均，得到模型的性能估计。3.2.2代码示例在上一节的代码示例中，我们已经使用了KFold进行k折交叉验证。这里我们进一步解释代码中的关键步骤：加载数据：使用load_iris函数加载鸢尾花数据集。初始化模型：选择支持向量机（SVC）作为分类模型。初始化k折交叉验证：设置n_splits=5表示将数据集分为5个子集，shuffle=True表示在划分之前对数据进行随机化，random_state=42用于确保随机过程的可重复性。进行交叉验证：通过for循环遍历k折交叉验证的每个分割，训练模型并计算准确率。计算平均准确率：将所有k次的准确率求平均，得到模型的最终评估结果。3.3留一法与留出法留一法（Leave-One-OutCross-validation,LOOCV）和留出法（HoldoutMethod）是两种常见的数据集划分方法，用于模型的评估。3.3.1留一法留一法是一种极端的k折交叉验证，其中k等于数据集的样本数。这意味着每次只有一个样本被用作验证集，其余所有样本用于训练。虽然这种方法可以提供无偏的性能估计，但由于每次只使用一个样本进行验证，计算成本非常高。3.3.2留出法留出法是最简单的数据集划分方法，它将数据集分为训练集和测试集两部分，通常比例为70%和30%。模型在训练集上训练，在测试集上评估。这种方法简单快速，但评估结果可能受到数据集划分的影响，具有一定的偏差。3.3.3代码示例以下是使用LeaveOneOut进行留一法交叉验证的代码示例：fromsklearn.model_selectionimportLeaveOneOut

fromsklearn.datasetsimportload_iris

fromsklearn.svmimportSVC

fromsklearn.metricsimportaccuracy_score

#加载数据

data=load_iris()

X=data.data

y=data.target

#初始化模型

model=SVC()

#初始化留一法交叉验证

loo=LeaveOneOut()

#进行留一法交叉验证

scores=[]

fortrain_index,test_indexinloo.split(X):

X_train,X_test=X[train_index],X[test_index]

y_train,y_test=y[train_index],y[test_index]

#训练模型

model.fit(X_train,y_train)

#预测

y_pred=model.predict(X_test)

#计算准确率

score=accuracy_score(y_test,y_pred)

scores.append(score)

#输出平均准确率

print("平均准确率:",sum(scores)/len(scores))3.4自助法与其在图像分类中的应用自助法（Bootstrap）是一种统计学方法，用于估计数据集的统计量。在机器学习中，自助法可以用于创建多个训练集，从而评估模型的稳定性和性能。3.4.1原理自助法通过有放回地从原始数据集中随机抽取样本，创建多个与原始数据集大小相同的训练集。对于每个训练集，模型被训练并评估，最后将所有评估结果进行平均，得到模型的性能估计。3.4.2在图像分类中的应用在图像分类中，自助法可以用于评估模型对不同样本分布的鲁棒性。通过创建多个训练集，可以观察模型在不同样本组合下的表现，从而判断模型是否过拟合或欠拟合。3.4.3代码示例以下是使用自助法进行图像分类模型评估的代码示例：importnumpyasnp

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.datasetsimportload_iris

fromsklearn.svmimportSVC

fromsklearn.metricsimportaccuracy_score

#加载数据

data=load_iris()

X=data.data

y=data.target

#初始化模型

model=SVC()

#设置自助法的迭代次数

n_iterations=100

#进行自助法评估

scores=[]

foriinrange(n_iterations):

#有放回地从数据集中随机抽取样本

bootstrap_index=np.random.choice(len(X),len(X))

X_bootstrap,y_bootstrap=X[bootstrap_index],y[bootstrap_index]

#从原始数据集中移除用于自助法的样本，作为测试集

X_test,y_test=np.delete(X,bootstrap_index,axis=0),np.delete(y,bootstrap_index)

#训练模型

model.fit(X_bootstrap,y_bootstrap)

#预测

y_pred=model.predict(X_test)

#计算准确率

score=accuracy_score(y_test,y_pred)

scores.append(score)

#输出平均准确率

print("平均准确率:",sum(scores)/len(scores))在这个例子中，我们使用numpy库的random.choice函数来实现有放回的随机抽样，创建训练集。然后，我们从原始数据集中移除用于训练的样本，得到测试集。模型在训练集上训练，在测试集上评估，重复这个过程n_iterations次，最后计算平均准确率作为模型的性能估计。4高级评估技巧4.1模型选择与超参数调优在计算机视觉的图像分类任务中，模型选择和超参数调优是确保模型性能的关键步骤。模型选择涉及从多种算法中挑选出最适合当前任务的模型，而超参数调优则是对选定模型的参数进行优化，以提高其在特定数据集上的表现。4.1.1模型选择模型选择通常基于模型的复杂度、训练时间、预测准确率等因素。在图像分类中，常见的模型包括卷积神经网络（CNN）、支持向量机（SVM）、随机森林等。选择模型时，可以使用交叉验证（Cross-Validation）来评估不同模型在数据集上的表现，从而做出决策。4.1.2超参数调优超参数是模型在训练前设定的参数，如学习率、批次大小、正则化系数等。调优超参数可以显著提升模型性能。常用的方法有网格搜索（GridSearch）、随机搜索（RandomSearch）和贝叶斯优化（BayesianOptimization）。示例：使用GridSearchCV进行超参数调优假设我们正在使用SVM进行图像分类，下面是一个使用GridSearchCV进行超参数调优的示例：fromsklearn.model_selectionimportGridSearchCV

fromsklearn.svmimportSVC

fromsklearn.datasetsimportload_digits

fromsklearn.model_selectionimporttrain_test_split

#加载数据集

digits=load_digits()

X=digits.data

y=digits.target

#划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

#定义SVM模型

svm=SVC()

#定义超参数网格

param_grid={'C':[0.1,1,10,100],'gamma':[1,0.1,0.01,0.001],'kernel':['rbf','linear']}

#使用GridSearchCV进行超参数调优

grid_search=GridSearchCV(svm,param_grid,refit=True,verbose=2)

grid_search.fit(X_train,y_train)

#输出最佳参数

print("Bestparametersfound:",grid_search.best_params_)4.2集成学习的评估策略集成学习（EnsembleLearning）通过组合多个模型的预测来提高分类的准确性和稳定性。评估集成模型时，可以使用交叉验证、AUC-ROC曲线、平均准确率等方法。4.2.1示例：使用BaggingClassifier进行集成学习下面是一个使用BaggingClassifier进行集成学习的示例，以提高图像分类的准确性：fromsklearn.ensembleimportBaggingClassifier

fromsklearn.treeimportDecisionTreeClassifier

fromsklearn.datasetsimportload_digits

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.metricsimportaccuracy_score

#加载数据集

digits=load_digits()

X=digits.data

y=digits.target

#划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

#定义基础分类器

base_classifier=DecisionTreeClassifier()

#定义BaggingClassifier

bagging_classifier=BaggingClassifier(base_estimator=base_classifier,n_estimators=10)

#训练模型

bagging_classifier.fit(X_train,y_train)

#预测

y_pred=bagging_classifier.predict(X_test)

#计算准确率

accuracy=accuracy_score(y_test,y_pred)

print("Accuracy:",accuracy)4.3使用混淆矩阵进行错误分析混淆矩阵（ConfusionMatrix）是一种评估分类模型性能的工具，它显示了模型预测结果与实际结果之间的差异。通过分析混淆矩阵，可以识别模型在哪些类别上表现不佳，从而进行针对性的改进。4.3.1示例：计算混淆矩阵下面是一个使用sklearn.metrics.confusion_matrix计算混淆矩阵的示例：fromsklearn.metricsimportconfusion_matrix

fromsklearn.datasetsimportload_digits

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.svmimportSVC

#加载数据集

digits=load_digits()

X=digits.data

y=digits.target

#划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

#定义SVM模型

svm=SVC()

#训练模型

svm.fit(X_train,y_train)

#预测

y_pred=svm.predict(X_test)

#计算混淆矩阵

cm=confusion_matrix(y_test,y_pred)

print("ConfusionMatrix:\n",cm)4.4评估指标的选择与优化评估指标的选择取决于具体任务的需求。在图像分类中，常用的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1Score）和AUC-ROC曲线等。优化评估指标通常涉及调整模型的阈值或超参数，以达到最佳性能。4.4.1示例：计算F1分数下面是一个使用sklearn.metrics.f1_score计算F1分数的示例：fromsklearn.metricsimportf1_score

fromsklearn.datasetsimportload_digits

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.svmimportSVC

#加载数据集

digits=load_digits()

X=digits.data

y=digits.target

#划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

#定义SVM模型

svm=SVC()

#训练模型

svm.fit(X_train,y_train)

#预测

y_pred=svm.predict(X_test)

#计算F1分数

f1=f1_score(y_test,y_pred,average='weighted')

print("F1Score:",f1)通过上述示例和讲解，我们可以看到在计算机视觉的图像分类任务中，高级评估技巧如模型选择与超参数调优、集成学习的评估策略、使用混淆矩阵进行错误分析以及评估指标的选择与优化，都是提升模型性能和准确性的关键步骤。5实战案例分析5.1基于CIFAR-10的数据集评估CIFAR-10是一个广泛用于图像分类模型训练和评估的数据集，包含60,000个32x32彩色图像，分为10个类别，每个类别有6,000个图像。数据集被分为50,000个训练图像和10,000个测试图像。评估图像分类模型时，我们通常关注以下指标：准确率（Accuracy）：模型正确分类的图像数量占总图像数量的比例。混淆矩阵（ConfusionMatrix）：显示模型分类结果与实际类别的对比，帮助理解模型在不同类别上的表现。精确率（Precision）：对于某一类，模型预测为该类的图像中，实际属于该类的比例。召回率（Recall）：对于某一类，模型正确识别出的图像占该类所有图像的比例。F1分数（F1Score）：精确率和召回率的调和平均数，用于衡量模型的综合性能。5.1.1代码示例假设我们使用PyTorch框架训练了一个图像分类模型，并使用CIFAR-10数据集进行评估。importtorch

importtorchvision

importtorchvision.transformsastransforms

importtorch.nnasnn

importtorch.optimasoptim

fromsklearn.metricsimportconfusion_matrix,classification_report

#数据预处理

transform=transforms.Compose([

transforms.ToTensor(),

transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))

])

#加载CIFAR-10测试数据集

testset=torchvision.datasets.CIFAR10(root='./data',train=False,

download=True,transform=transform)

testloader=torch.utils.data.DataLoader(testset,batch_size=4,

shuffle=False,num_workers=2)

#定义模型

classNet(nn.Module):

def__init__(self):

super(Net,self).__init__()

self.conv1=nn.Conv2d(3,6,5)

self.pool=nn.MaxPool2d(2,2)

self.conv2=nn.Conv2d(6,16,5)

self.fc1=nn.Linear(16*5*5,120)

self.fc2=nn.Linear(120,84)

self.fc3=nn.Linear(84,10)

defforward(self,x):

x=self.pool(F.relu(self.conv1(x)))

x=self.pool(F.relu(self.conv2(x)))

x=x.view(-1,16*5*5)

x=F.relu(self.fc1(x))

x=F.relu(self.fc2(x))

x=self.fc3(x)

returnx

#初始化模型

net=Net()

#加载训练好的模型参数

net.load_state_dict(torch.load('cifar_net.pth'))

#设定评估模式

net.eval()

#初始化变量

correct=0

total=0

all_preds=[]

all_labels=[]

#评估模型

withtorch.no_grad():

fordataintestloader:

images,labels=data

outputs=net(images)

_,predicted=torch.max(outputs.data,1)

total+=labels.size(0)

correct+=(predicted==labels).sum().item()

all_preds.extend(predicted.numpy())

all_labels.extend(labels.numpy())

#计算准确率

print('Accuracyofthenetworkonthe10000testimages:%d%%'%(

100*correct/total))

#生成混淆矩阵

cm=confusion_matrix(all_labels,all_preds)

print('ConfusionMatrix:')

print(cm)

#生成分类报告

cr=classification_report(all_labels,all_preds)

print('ClassificationReport:')

print(cr)5.1.2解释上述代码首先定义了一个简单的卷积神经网络模型，并加载了预训练的权重。然后，它在测试集上运行模型，收集所有预测和实际标签，以计算准确率、生成混淆矩阵和分类报告。这些指标帮助我们理解模型在CIFAR-10数据集上的整体和分类性能。5.2ImageNet竞赛中的评估方法ImageNet是一个大规模的视觉识别挑战，其数据集包含超过1400万张图像，涵盖21,841个类别。在ImageNet竞赛中，评估图像分类模型的性能主要通过以下指标：Top-1准确率：模型预测的最可能类别与实际类别匹配的图像比例。Top-5准确率：模型预测的前5个可能类别中包含实际类别的图像比例。5.2.1代码示例使用PyTorch评估一个预训练的ResNet模型在ImageNet数据集上的性能。importtorch

importtorchvision.modelsasmodels

importtorchvision.transformsastransforms

fromtorchvision.datasetsimportImageNet

fromtorch.utils.dataimportDataLoader

#加载预训练的ResNet模型

model=models.resnet50(pretrained=True)

#设定评估模式

model.eval()

#数据预处理

transform=transforms.Compose([

transforms.Resize(256),

transforms.CenterCrop(224),

transforms.ToTensor(),

transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225]),

])

#加载ImageNet测试数据集

test_dataset=ImageNet(root='path_to_imagenet',split='val',transform=transform)

test_loader=DataLoader(test_dataset,batch_size=32,shuffle=False,num_workers=4)

#初始化变量

top1_correct=0

top5_correct=0

total=0

#评估模型

withtorch.no_grad():

forimages,labelsintest_loader:

outputs=model(images)

_,top1_pred=outputs.topk(1,1,True,True)

_,top5_pred=outputs.topk(5,1,True,True)

total+=labels.size(0)

top1_correct+=top1_pred.eq(labels.vi