torcheval.metrics.MulticlassConfusionMatrix¶

class torcheval.metrics.MulticlassConfusionMatrix(num_classes: int, *, normalize: str | None = None, device: device | None = None)¶

计算多类混淆矩阵，一个维度为 num_classes x num_classes 的矩阵，其中位置 (i,j) 的每个元素是预测为类别 j 的真实类别为 i 的示例数量。

参数：

input (Tensor) – 标签预测的张量。它可以是预测的标签，形状为 (n_sample, )。它也可以是形状为 (n_sample, n_class) 的概率或 logits。torch.argmax 将用于将输入转换为预测的标签。
target (Tensor) – 形状为 (n_sample, ) 的真实标签张量。
num_classes (int) – 类别数量。
normalize (str) –
- None [默认]
  提供原始计数（'none' 也默认为此）
- 'pred':
  跨预测类别进行归一化，即使行加起来为 1。
- 'true':
  跨条件正值进行归一化，即使列加起来为 1。
- 'all'”
  跨所有示例进行归一化，即使所有矩阵条目加起来为 1。
device (torch.device) – 内部张量的设备

示例

>>> import torch
>>> from torcheval.metrics import MulticlassConfusionMatrix
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric = MulticlassConfusionMatrix(4)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[1, 0, 0, 0],
        [0, 0, 1, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 1]])

>>> input = torch.tensor([0, 0, 1, 1, 1])
>>> target = torch.tensor([0, 0, 0, 0, 1])
>>> metric = MulticlassConfusionMatrix(2)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[2, 2],
        [0, 1]])

>>> input = torch.tensor([0, 0, 1, 1, 1, 2, 1, 2])
>>> target = torch.tensor([2, 0, 2, 0, 1, 2, 1, 0])
>>> metric = MulticlassConfusionMatrix(3)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[1, 1, 1],
        [0, 2, 0],
        [1, 1, 1]])

>>> input = torch.tensor([0, 0, 1, 1, 1, 2, 1, 2])
>>> target = torch.tensor([2, 0, 2, 0, 1, 2, 1, 0])
>>> metric = MulticlassConfusionMatrix(3)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[1., 1., 1.],
        [0., 2., 0.],
        [1., 1., 1.]])
>>> metric.normalized("pred")
tensor([[0.5000, 0.2500, 0.5000],
        [0.0000, 0.5000, 0.0000],
        [0.5000, 0.2500, 0.5000]])
>>> metric.normalized("true")
tensor([[0.3333, 0.3333, 0.3333],
        [0.0000, 1.0000, 0.0000],
        [0.3333, 0.3333, 0.3333]])
>>> metric.normalized("all")
tensor([[0.1250, 0.1250, 0.1250],
    [0.0000, 0.2500, 0.0000],
    [0.1250, 0.1250, 0.1250]])

>>> input = torch.tensor([0, 0, 1, 1, 1, 2, 1, 2])
>>> target = torch.tensor([2, 0, 2, 0, 1, 2, 1, 0])
>>> metric = MulticlassConfusionMatrix(3, normalize="true")
>>> metric.update(input, target)
>>> metric.compute()
tensor([[0.3333, 0.3333, 0.3333],
        [0.0000, 1.0000, 0.0000],
        [0.3333, 0.3333, 0.3333]])
>>> metric.normalized(None)
tensor([[1., 1., 1.],
        [0., 2., 0.],
        [1., 1., 1.]])

>>> input = torch.tensor([0, 0, 1, 1, 1])
>>> target = torch.tensor([0, 0, 0, 0, 1])
>>> metric = MulticlassConfusionMatrix(4)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[2, 2, 0, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 0],
        [0, 0, 0, 0]])

>>> 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 = MulticlassConfusionMatrix(4)
>>> metric.update(input, target)
>>> metric.compute()
tensor([[1, 0, 0, 0],
        [0, 0, 1, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 1]])

__init__(num_classes: int, *, normalize: str | None = None, device: device | None = None) → None¶

初始化一个指标对象及其内部状态。

使用 self._add_state() 初始化指标类的状态变量。状态变量应该是 torch.Tensor、torch.Tensor 列表、带有 torch.Tensor 作为值的字典，或 torch.Tensor 的 deque。

方法

`__init__`(num_classes, *[, normalize, device])	初始化一个指标对象及其内部状态。
`计算`()	返回混淆矩阵。
`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。
`normalized`([normalize])	返回归一化的混淆矩阵
`重置`()	将指标状态变量重置为其默认值。
`state_dict`()	将指标状态变量保存在 state_dict 中。
`to`(device, args, *kwargs)	将指标状态变量中的张量移动到设备。
`update`(input, target)	更新混淆矩阵。

属性

`设备`	`Metric.to()` 的最后一个输入设备。

torcheval.metrics.MulticlassConfusionMatrix¶

文档

教程

资源