torcheval.metrics.WeightedCalibration

class torcheval.metrics.WeightedCalibration(*, num_tasks: int = 1, device: device | None = None)

计算加权校准指标。当未提供权重时，它计算非加权校准。其函数版本为 torcheval.metrics.functional.weighted_calibration()。

加权校准 = 输入 * 权重之和 / 目标 * 权重之和

参数：

num_tasks (int) – 需要加权校准计算的任务数量。默认值为 1。

引发：

ValueError – 如果权重的值既不是 float 也不是 int 也不是与输入张量大小匹配的 torch.Tensor。

示例

>>> import torch
>>> from torcheval.metrics import WeightedCalibration
>>> metric = WeightedCalibration()
>>> metric.update(torch.tensor([0.8, 0.4, 0.3, 0.8, 0.7, 0.6]),torch.tensor([1, 1, 0, 0, 1, 0]))
>>> metric.compute()
tensor([1.2], dtype=torch.float64)

>>> metric = WeightedCalibration()
>>> metric.update(torch.tensor([0.8, 0.4, 0.3, 0.8, 0.7, 0.6]),torch.tensor([1, 1, 0, 0, 1, 0]), torch.tensor([0.5, 1., 2., 0.4, 1.3, 0.9]))
>>> metric.compute()
tensor([1.1321], dtype=torch.float64)

>>> metric = WeightedCalibration(num_tasks=2)
>>> metric.update(torch.tensor([[0.8, 0.4], [0.8, 0.7]]),torch.tensor([[1, 1], [0, 1]]),)
>>> metric.compute()
tensor([0.6000, 1.5000], dtype=torch.float64)

__init__(*, num_tasks: 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__(*[, num_tasks, device])	初始化指标对象及其内部状态。
计算()	返回加权校准。
load_state_dict(state_dict[, strict])	从 state_dict 加载指标状态变量。
merge_state(metrics)	将指标状态与其来自其他指标实例的对应部分合并。
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[, weight])	使用加权输入的总和和加权标签的总和更新指标状态。

属性

设备	Metric.to() 的最后一个输入设备。