使用Pytorch訓(xùn)練分類問題時(shí),分類準(zhǔn)確率的計(jì)算方式

更新時(shí)間：2023年09月14日 14:24:58 作者：jayus丶

這篇文章主要介紹了使用Pytorch訓(xùn)練分類問題時(shí),分類準(zhǔn)確率的計(jì)算方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

Pytorch訓(xùn)練分類問題時(shí),分類準(zhǔn)確率的計(jì)算

作者記錄方便查詢

使用條件

真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽都是tensor。

使用方法

#標(biāo)簽情況
print(y)
tensor([[1, 1, 0, 0]])
print(pred)
tensor([[1, 0, 1, 0]])
# 比較真實(shí)與預(yù)測(cè)
print(y==pred)
tensor([[ True, False, False,  True]])
# 對(duì)正確元素求和，sum會(huì)自動(dòng)計(jì)算True的個(gè)數(shù)
print((y==pred).sum())
tensor(2)

因此在每個(gè)epoch開始時(shí)，只需要初始化一個(gè)計(jì)數(shù)器accuracy，對(duì)每次的正確元素進(jìn)行累加，在除以訓(xùn)練元素的總數(shù)，便獲得了每個(gè)epoch的準(zhǔn)確率。

for epoch in range(epochs):
    accuracy=0
    for i, (x,y) in enumerate(train_loader, 1): 
        pred = net(x)
        loss = loss_function(pred.to(torch.float32),y.to(torch.float32))
        optimizer.zero_grad()
        loss.backward() #反向傳播
        optimizer.step() #更新梯度
        loss_steps[epoch]=loss.item()#保存loss
        running_loss = loss.item()
        accuracy += (pred == y).sum()
        acc = float(accuracy*100)/float(len(train_ids))# 除以元素總數(shù)，可以用其他方式獲取
    print(f"第{epoch}次訓(xùn)練,loss={running_loss:.4f},Accuracy={acc:.3f}".format(epoch,running_loss,acc))

結(jié)果

訓(xùn)練情況

Pytorch 計(jì)算分類器準(zhǔn)確率（總分類及子分類）

分類器平均準(zhǔn)確率計(jì)算

correct = torch.zeros(1).squeeze().cuda()
total = torch.zeros(1).squeeze().cuda()
for i, (images, labels) in enumerate(train_loader):
            images = Variable(images.cuda())
            labels = Variable(labels.cuda())
            output = model(images)
            prediction = torch.argmax(output, 1)
            correct += (prediction == labels).sum().float()
            total += len(labels)
acc_str = 'Accuracy: %f'%((correct/total).cpu().detach().data.numpy())

分類器各個(gè)子類準(zhǔn)確率計(jì)算

correct = list(0. for i in range(args.class_num))
total = list(0. for i in range(args.class_num))
for i, (images, labels) in enumerate(train_loader):
            images = Variable(images.cuda())
            labels = Variable(labels.cuda())
            output = model(images)
            prediction = torch.argmax(output, 1)
            res = prediction == labels
            for label_idx in range(len(labels)):
                label_single = label[label_idx]
                correct[label_single] += res[label_idx].item()
                total[label_single] += 1
 acc_str = 'Accuracy: %f'%(sum(correct)/sum(total))
 for acc_idx in range(len(train_class_correct)):
            try:
                acc = correct[acc_idx]/total[acc_idx]
            except:
                acc = 0
            finally:
                acc_str += '\tclassID:%d\tacc:%f\t'%(acc_idx+1, acc)