torcheval.metrics.Throughput

class torcheval.metrics.Throughput(*, device: device | None = None)

计算吞吐量值，即每秒处理的元素数量。

注意：在分布式环境中，建议使用 `world_size * metric.compute()` 来获得总吞吐量的近似值。而使用 `sync_and_compute(metric)` 则需要状态同步。此外，`sync_and_compute(metric)` 会给出与 `world_size * metric.compute()` 略微不同的值。

示例

>>> import time
>>> import torch
>>> from torcheval.metrics import Throughput
>>> metric = Throughput()
>>> items_processed = 64
>>> ts = time.monotonic()
>>> time.sleep(2.0)  # simulate executing the program for 2 seconds
>>> elapsed_time_sec = time.monotonic() - ts
>>> metric.update(items_processed, elapsed_time_sec)
>>> metric.compute()
tensor(32.)

__init__(*, 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__(*[, device])	初始化一个指标对象及其内部状态。
compute()	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。
reset()	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到 state_dict 中。
to(device, *args, **kwargs)	将指标状态变量中的张量移动到设备上。
update(num_processed, elapsed_time_sec)	使用值和权重更新状态。

属性

device

最后输入的 `Metric.to()` 设备。