在pytorch中計算精度、回歸率、F1score等指標的實例分析

本篇內容介紹了“在pytorch中計算精度、回歸率、F1score等指標的實例分析”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

pytorch中訓練完網絡后，需要對學習的結果進行測試。官網上例程用的方法統統都是正確率，使用的是torch.eq()這個函數。

但是為了更精細的評價結果，我們還需要計算其他各個指標。在把官網API翻了一遍之后發現并沒有用于計算TP，TN，FP，FN的函數。。。

在動了無數歪腦筋之后，心想pytorch完全支持numpy，那能不能直接進行判斷，試了一下果然可以，上代碼：

# TP predict 和 label 同時為1TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum()# TN predict 和 label 同時為0TN += ((pred_choice == 0) & (target.data == 0)).cpu().sum()# FN predict 0 label 1FN += ((pred_choice == 0) & (target.data == 1)).cpu().sum()# FP predict 1 label 0FP += ((pred_choice == 1) & (target.data == 0)).cpu().sum()p = TP / (TP + FP)r = TP / (TP + FN)F1 = 2 * r * p / (r + p)acc = (TP + TN) / (TP + TN + FP + FN

這樣就能看到各個指標了。

因為target是Variable所以需要用target.data取到對應的tensor，又因為是在gpu上算的，需要用 .cpu() 移到cpu上。

因為這是一個batch的統計，所以需要用+=累計出整個epoch的統計。當然，在epoch開始之前需要清零

“在pytorch中計算精度、回歸率、F1score等指標的實例分析”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！