torcheval.metrics.MulticlassPrecisionRecallCurve

class torcheval.metrics.MulticlassPrecisionRecallCurve(*, num_classes: int | None = None, device: device | None = None)

返回多类分类任务的精确率-召回率对及其对应的阈值。如果目标张量中缺少某个类别，则其召回率值将设置为 1.0。

其类版本为 torcheval.metrics.functional.multiclass_precision_recall_curve()。

参数：

num_classes (int, 可选) – 类别数。如果 num_classes 为 None，则设置为输入的第二维。

示例

>>> import torch
>>> from torcheval.metrics import MulticlassPrecisionRecallCurve
>>> metric = MulticlassPrecisionRecallCurve(num_classes=4)
>>> input = torch.tensor([[0.1, 0.1, 0.1, 0.1], [0.5, 0.5, 0.5, 0.5], [0.7, 0.7, 0.7, 0.7], [0.8, 0.8, 0.8, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
([tensor([0.2500, 0.0000, 0.0000, 0.0000, 1.0000]),
tensor([0.3333, 0.0000, 0.0000, 1.0000]),
tensor([0.5000, 0.0000, 1.0000]),
tensor([1., 1.])],
[tensor([1., 0., 0., 0., 0.]),
tensor([1., 0., 0., 0.]),
tensor([1., 0., 0.]),
tensor([1., 0.])],
[tensor([0.1000, 0.5000, 0.7000, 0.8000]),
tensor([0.5000, 0.7000, 0.8000]),
tensor([0.7000, 0.8000]),
tensor([0.8000])])

__init__(*, num_classes: int | None = None, 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 作为值的字典或 torch.Tensor 的双端队列。

方法

__init__(*[, num_classes, device])	初始化度量对象及其内部状态。
计算()	返回值： 精确率结果列表。每个索引表示一个类别的结果。
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的合并状态。
重置()	将度量状态变量重置为其默认值。
state_dict()	在 state_dict 中保存度量状态变量。
to(device, *args, **kwargs)	将度量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。