溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
pytorch中訓練完網(wǎng)絡后，需要對學習的結果進行測試。官網(wǎng)上例程用的方法統(tǒng)統(tǒng)都是正確率，使用的是torch.eq()這個函數(shù)。
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(wǎng)API翻了一遍之后發(fā)現(xiàn)并沒有用于計算TP，TN，F(xiàn)P，F(xiàn)N的函數(shù)。。。
在動了無數(shù)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1 TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum() # TN predict 和 label 同時為0 TN += ((pred_choice == 0) & (target.data == 0)).cpu().sum() # FN predict 0 label 1 FN += ((pred_choice == 0) & (target.data == 1)).cpu().sum() # FP predict 1 label 0 FP += ((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(tǒng)計，所以需要用+=累計出整個epoch的統(tǒng)計。當然，在epoch開始之前需要清零
以上這篇在pytorch 中計算精度、回歸率、F1 score等指標的實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發(fā)布的內容（圖片、視頻和文字）以原創(chuàng)、轉載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權內容。
