torcheval.metrics.MultilabelPrecisionRecallCurve

class torcheval.metrics.MultilabelPrecisionRecallCurve(*, num_labels: int, device: device | None = None)

返回多标签分类任务的精确率-召回率对及其相应的阈值。如果目标张量中没有标签的样本，则其召回率值设置为 1.0。

其函数版本是 torcheval.metrics.functional.multilabel_precision_recall_curve()。

参数:

num_labels (int) – 标签数量。

示例

>>> import torch
>>> from torcheval.metrics import MultilabelPrecisionRecallCurve
>>> metric = MultilabelPrecisionRecallCurve(num_labels=3)
>>> input = torch.tensor([[0.75, 0.05, 0.35], [0.45, 0.75, 0.05], [0.05, 0.55, 0.75], [0.05, 0.65, 0.05]])
>>> target = torch.tensor([[1, 0, 1], [0, 0, 0], [0, 1, 1], [1, 1, 1]])
>>> metric.update(input, target)
>>> metric.compute()
([tensor([0.5, 0.5, 1.0, 1.0]),
tensor([0.5, 0.66666667, 0.5, 0.0, 1.0]),
tensor([0.75, 1.0, 1.0, 1.0])],
[tensor([1.0, 0.5, 0.5, 0.0]),
tensor([1.0, 1.0, 0.5, 0.0, 0.0]),
tensor([1.0, 0.66666667, 0.33333333, 0.0])],
[tensor([0.05, 0.45, 0.75]),
tensor([0.05, 0.55, 0.65, 0.75]),
tensor([0.05, 0.35, 0.75])])

__init__(*, num_labels: int, device: device | None = None) → None

初始化指标对象及其内部状态。

使用 self._add_state() 初始化指标类的状态变量。状态变量应该是 torch.Tensor、torch.Tensor 的列表、以 torch.Tensor 作为值的字典或 torch.Tensor 的双端队列。

方法

__init__(*, num_labels[, device])	初始化指标对象及其内部状态。
compute()	返回: 精确率结果列表。每个索引表示一个标签的结果。
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。
reset()	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

device

Metric.to() 的最后一个输入设备。