torcheval.metrics.functional.multiclass_accuracy

torcheval.metrics.functional.multiclass_accuracy(input: Tensor, target: Tensor, *, average: str | None = 'micro', num_classes: int | None = None, k: int = 1) → Tensor

计算准确率得分，它是输入匹配目标的频率。它的类版本是 torcheval.metrics.MultiClassAccuracy。

参数:

• input (Tensor) – 标签预测的张量。它可以是预测的标签，形状为 (n_sample, )。它也可以是概率或 logits，形状为 (n_sample, n_class)。 torch.argmax 将用于将输入转换为预测的标签。

• target (Tensor) – 形状为 (n_sample, ) 的真实标签张量。

• average –

  • 'micro' [默认]

    全局计算指标。

  • 'macro':

    分别计算每个类别的指标，并返回其未加权平均值。具有 0 个真实实例的类别将被忽略。

  • None:

    分别计算每个类别的指标，并返回每个类别的指标。如果某个类别在 target 中没有样本，则返回 NaN。

• num_classes – 类别的数量。对于 'macro' 和 None 平均方法是必需的。

• k – 要考虑的最高概率数量。K 应该是一个大于或等于 1 的整数。如果 k >1，则输入张量必须包含每个类别的概率或 logits。

示例

>>> import torch
>>> from torcheval.metrics.functional import multiclass_accuracy
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_accuracy(input, target)
tensor(0.5)
>>> multiclass_accuracy(input, target, average=None, num_classes=4)
tensor([1., 0., 0., 1.])
>>> multiclass_accuracy(input, target, average="macro", num_classes=4)
tensor(0.5)
>>> input = torch.tensor([[0.9, 0.1, 0, 0], [0.1, 0.2, 0.4, 0,3], [0, 1.0, 0, 0], [0, 0, 0.2, 0.8]])
>>> multiclass_accuracy(input, target)
tensor(0.5)