torcheval.metrics.MultilabelRecallAtFixedPrecision

class torcheval.metrics.MultilabelRecallAtFixedPrecision(*, num_labels: int, min_precision: float, device: device | None = None)

在给定每个标签的最小精度和它们对应的阈值的情况下，返回多标签分类任务的最高可能召回值。每个标签的最大召回计算等效于 _binary_recall_at_fixed_precision_compute 在 BinaryRecallAtFixedPrecision 中。

它的函数版本是 torcheval.metrics.functional.multilabel_recall_at_fixed_precision().

参数：

• num_labels (int) – 标签数量

• min_precision (float) – 最小精度阈值

示例

>>> import torch
>>> from torcheval.metrics import MultilabelRecallAtFixedPrecision
>>> metric = MultilabelRecallAtFixedPrecision(num_labels=3, min_precision=0.5)
>>> 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()
([torch.tensor(1.0), torch.tensor(1.0), torch.tensor(1.0)],
[torch.tensor(0.05), torch.tensor(0.55), torch.tensor(0.05)])

__init__(*, num_labels: int, min_precision: float, 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。状态变量应该为 torch.Tensor、torch.Tensor 列表、值为 torch.Tensor 的字典或 torch.Tensor 的双端队列。

方法

__init__(*, num_labels, min_precision[, device])	初始化一个指标对象及其内部状态。
计算()	实现此方法以从状态变量计算并返回最终指标值。
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()	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)	实现此方法以更新指标类的状态变量。

属性

设备	Metric.to() 的最后一个输入设备。