pytorch 中计算精度、回归率、F1 score等指标
2018-03-15 11:20
585 查看
pytorch 中计算精度、回归率、F1 score等指标
pytorch中训练完网络后,需要对学习的结果进行测试。官网上例程用的方法统统都是正确率,使用的是torch.eq()这个函数。但是为了更精细的评价结果,我们还需要计算其他各个指标。在把官网API翻了一遍之后发现并没有用于计算TP,TN,FP,FN的函数。。。
在动了无数歪脑筋之后,心想pytorch完全支持numpy,那能不能直接进行判断,试了一下果然可以,上代码:
# TP predict 和 label 同时为1 TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum() # TN predict 和 label 同时为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
这样就能看到各个指标了。
因为target是Variable所以需要用target.data取到对应的tensor,又因为是在gpu上算的,需要用 .cpu() 移到cpu上。
因为这是一个batch的统计,所以需要用+=累计出整个epoch的统计。当然,在epoch开始之前需要清零
相关文章推荐
- TP、TN、FP、FN、Recall、Miss Rate、MCC、F1 Score 等指标计算
- precision, recall, accuracy, F1 score等评价指标
- 机器学习知识点(三十六)分类器性能度量指标f1-score
- 计算一下pytorch中Resnet34模型前传一次所需要的时间
- ROC曲线以及评估指标F1-Score, recall, precision-整理版
- 机器学习——准确率、精度、召回率和F1分数(Machine Learning - Accuracy, Precision, Recall, F1-Score)
- precision_score, recall_score, f1_score的计算
- 模型的评价指标:Precision, Recall, F1 Score
- 在集群安装pytorch0.3
- (机器学习算法常用指标)准确率,召回率,F1 值、ROC,AUC、mse、mape评价指标
- PyTorch参数初始化方法
- 用户研究:用户满意度指标权重计算方法
- Pytorch 入门之Siamese网络
- 信息检索(IR)的评价指标介绍-准确率、召回率、F1、mAP、ROC、AUC
- ios 利用自带的CoreLocation.framework 实现获取手机当前处于的精度和纬度 并计算两点之间的间距(特别使用于团购,附近商户之类的项目)
- ACM 计算几何中的精度问题(转)
- iOS开发中高精度数值(货币)计算
- JS中数字计算精度
- javascript精度计算
- MySQL性能指标及计算方法 等待show processlist