torcheval.metrics.BinaryRecallAtFixedPrecision

class torcheval.metrics.BinaryRecallAtFixedPrecision(*, min_precision: float, device: device | None = None)

返回给定二元分类任务的最小精度所对应的最高可能的召回值。

它的函数版本是 torcheval.metrics.functional.binary_recall_at_fixed_precision()。

参数：

min_precision (float) – 最小精度阈值

示例

>>> import torch
>>> from torcheval.metrics import BinaryRecallAtFixedPrecision
>>> metric = BinaryRecallAtFixedPrecision(min_precision=0.5)
>>> input = torch.tensor([0.1, 0.4, 0.6, 0.6, 0.6, 0.35, 0.8])
>>> target = torch.tensor([0, 0, 1, 1, 1, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
(torch.tensor(1.0), torch.tensor(0.35))

__init__(*, min_precision: float, device: device | None = None) → None

初始化度量对象及其内部状态。

使用 self._add_state() 初始化度量类状态变量。状态变量应为 torch.Tensor、torch.Tensor 列表、以 torch.Tensor 为值的字典或 torch.Tensor 的双端队列。

方法

__init__(*, min_precision[, device])	初始化度量对象及其内部状态。
compute()	实现此方法以从状态变量计算并返回最终度量值。
load_state_dict(state_dict[, strict])	从 state_dict 加载度量状态变量。
merge_state(metrics)	实现此方法以更新当前度量的状态变量，使其成为当前度量和输入度量合并后的状态。
reset()	将度量状态变量重置为其默认值。
state_dict()	将度量状态变量保存到 state_dict 中。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备上。
update(input, target)	实现此方法以更新度量类的状态变量。

属性

device

Metric.to() 的最后一次输入设备。