torcheval.metrics.TopKMultilabelAccuracy

class torcheval.metrics.TopKMultilabelAccuracy(*, criteria: str = 'exact_match', k: int = 1, device: device | None = None)

计算多标签准确率得分，即预测的前 k 个标签与目标标签匹配的频率。其函数版本为 torcheval.metrics.functional.topk_multilabel_accuracy()。

参数：

• criteria (字符串) –

  • 'exact_match' [默认值]：样本预测的前 k 个标签集必须与目标标签集中完全匹配。也称为子集准确率。

  • 'hamming'：前 k 个正确标签的数量除以标签总数。

  • 'overlap'：样本预测的前 k 个标签集必须与目标标签集重叠。

  • 'contain'：样本预测的前 k 个标签集必须包含目标标签集。

  • 'belong'：样本预测的前 k 个标签集必须完全属于目标标签集。

• k (整数) – 要考虑的前 k 个概率数。K 应为大于或等于 1 的整数。

示例

>>> import torch
>>> from torcheval.metrics import TopKMultilabelAccuracy
>>> metric = TopKMultilabelAccuracy(k = 2)
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0)  # 0 / 4

>>> metric = TopKMultilabelAccuracy(criteria="hamming", k=2)
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.583)  # 7 / 12

>>> metric = TopKMultilabelAccuracy(criteria="overlap", k=2)
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(1)  # 4 / 4

>>> metric = TopKMultilabelAccuracy(criteria="contain", k=2)
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5)  # 2 / 4

>>> metric = TopKMultilabelAccuracy(criteria="belong", k=2)
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.25)  # 1 / 4

__init__(*, criteria: str = 'exact_match', k: int = 1, 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__(*[, criteria, k, device])	初始化指标对象及其内部状态。
计算()	返回准确率得分。
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(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。