在PyTorch中，如何计算模型的精度、回归率及F1分数等评估指标？

本文共计403个文字，预计阅读时间需要2分钟。

在PyTorch中训练完网络后，需要对学习结果进行测试。官方示例中常用的方法是计算准确率，通常使用`torch.eq()`函数。为了更精确地评估结果，我们还需要计算其他指标。具体来说，可以使用以下方法：

pytorch中训练完网络后，需要对学习的结果进行测试。官网上例程用的方法统统都是正确率，使用的是torch.eq()这个函数。

但是为了更精细的评价结果，我们还需要计算其他各个指标。在把官网API翻了一遍之后发现并没有用于计算TP，TN，FP，FN的函数。。。

在动了无数歪脑筋之后，心想pytorch完全支持numpy，那能不能直接进行判断，试了一下果然可以，上代码：

# TP predict 和 label 同时为1 TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum() # TN predict 和 label 同时为0 TN += ((pred_choice == 0) & (target.data == 0)).cpu().sum() # FN predict 0 label 1 FN += ((pred_choice == 0) & (target.data == 1)).cpu().sum() # FP predict 1 label 0 FP += ((pred_choice == 1) & (target.data == 0)).cpu().sum() p = TP / (TP + FP) r = TP / (TP + FN) F1 = 2 * r * p / (r + p) acc = (TP + TN) / (TP + TN + FP + FN

这样就能看到各个指标了。

因为target是Variable所以需要用target.data取到对应的tensor，又因为是在gpu上算的，需要用 .cpu() 移到cpu上。

因为这是一个batch的统计，所以需要用+=累计出整个epoch的统计。当然，在epoch开始之前需要清零

以上这篇在pytorch 中计算精度、回归率、F1 score等指标的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。