torcheval.metrics.MulticlassAccuracy

class torcheval.metrics.MulticlassAccuracy(*, average: str | None = 'micro', num_classes: int | None = None, k: int = 1, device: device | None = None)

计算准确率得分，即输入与目标匹配的频率。其函数版本为 torcheval.metrics.functional.multiclass_accuracy()。

参数：

• average (str, 可选) –

  • 'micro' [默认]: 全局计算指标。

  • 'macro' : 分别计算每个类别的指标，并返回它们的未加权平均值。忽略真实例数为 0 的类别。

  • None: 分别计算每个类别的指标，并返回每个类别的指标。如果 target 中某个类别没有样本，则返回 NaN。

• num_classes – 类别数。对于 'macro' 和 None 平均方法是必需的。

• k – 要考虑的顶部概率数。K 应为大于或等于 1 的整数。如果 k >1，则输入张量必须包含每个类别的概率或 logits。

示例

>>> import torch
>>> from torcheval.metrics import MulticlassAccuracy
>>> metric = MulticlassAccuracy()
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)

>>> metric = MulticlassAccuracy(average=None, num_classes=4)
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor([1., 0., 0., 1.])

>>> metric = MulticlassAccuracy(average="macro", num_classes=2)
>>> input = torch.tensor([0, 0, 1, 1, 1])
>>> target = torch.tensor([0, 0, 0, 0, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.75)

>>> metric = MulticlassAccuracy()
>>> input = torch.tensor([[0.9, 0.1, 0, 0], [0.1, 0.2, 0.4, 0,3], [0, 1.0, 0, 0], [0, 0, 0.2, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)

__init__(*, average: str | None = 'micro', num_classes: int | None = None, k: int = 1, device: device | None = None) → None

初始化指标对象及其内部状态。

使用 self._add_state() 初始化指标类别的状态变量。状态变量应为 torch.Tensor、torch.Tensor 列表、以 torch.Tensor 作为值的字典或 torch.Tensor 的 deque。

方法

__init__(*[, average, num_classes, k, device])	初始化指标对象及其内部状态。
计算()	返回准确率得分。
load_state_dict(state_dict[, strict])	从 state_dict 加载指标状态变量。
merge_state(metrics)	实现此方法以更新当前指标的状态变量，使其成为当前指标和输入指标的合并状态。
重置()	将指标状态变量重置为其默认值。
state_dict()	在 state_dict 中保存指标状态变量。
to(device, *args, **kwargs)	将指标状态变量中的张量移动到设备。
update(input, target)	使用真实标签和预测更新状态。

属性

设备	Metric.to() 的最后一个输入设备。