torcheval.metrics.MultilabelAccuracy

class torcheval.metrics.MultilabelAccuracy(*, threshold: float = 0.5, criteria: str = 'exact_match', device: device | None = None)

计算多标签准确率分数，它是输入匹配目标的频率。其函数版本是 torcheval.metrics.functional.multilabel_accuracy()。

参数：

• threshold (float, 可选) – 用于将输入转换为每个样本的预测标签的阈值。 torch.where(input < threshold, 0, 1) 将应用于 input。

• criteria (str, 可选) –

  • 'exact_match' [默认]: 预测的样本标签集必须与目标中相应的标签集完全匹配。也称为子集准确率。

  • 'hamming': 正确标签数与总标签数的比例。

  • 'overlap': 预测的样本标签集必须与目标中相应的标签集重叠。

  • 'contain': 预测的样本标签集必须包含目标中相应的标签集。

  • 'belong': 预测的样本标签集必须（完全）属于目标中相应的标签集。

示例

>>> import torch
>>> from torcheval.metrics import MultilabelAccuracy
>>> metric = MultilabelAccuracy()
>>> input = torch.tensor([[0, 1], [1, 1], [0, 0], [0, 1]])
>>> target = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 2 / 4

>>> metric = MultilabelAccuracy(criteria="hamming")
>>> input = torch.tensor([[0, 1], [1, 1], [0, 0], [0, 1]])
>>> target = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.75)  # 6 / 8

>>> metric = MultilabelAccuracy(criteria="overlap")
>>> input = torch.tensor([[0, 1], [1, 1], [0, 0], [0, 1]])
>>> target = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(1)  # 4 / 4

>>> metric = MultilabelAccuracy(criteria="contain")
>>> input = torch.tensor([[0, 1], [1, 1], [0, 0], [0, 1]])
>>> target = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.75)  # 3 / 4, input[0],input[1],input[2]

>>> metric = MultilabelAccuracy(criteria="belong")
>>> input = torch.tensor([[0, 1], [1, 1], [0, 0], [0, 1]])
>>> target = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.75)  # 3 / 4, input[0],input[1],input[3]

__init__(*, threshold: float = 0.5, criteria: str = 'exact_match', 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__(*[, threshold, criteria, device])	初始化一个指标对象及其内部状态。
计算()	返回准确率分数。
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。