pytorch中计算准确率，召回率和F1值的方法

最新推荐文章于 2025-09-25 09:24:39 发布
原创 最新推荐文章于 2025-09-25 09:24:39 发布 · 1.9w 阅读 · 29 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch准确率 #召回率 #F1

本文介绍如何使用PyTorch计算预测结果与真实标签的混淆矩阵，并从中提取准确率和召回率等性能指标。通过实例代码展示了predict输出的最大概率类别与目标标签对比的过程，进而构建混淆矩阵并计算各类别上的准确率和召回率。 
predict = output.argmax(dim = 1)
confusion_matrix =torch.zeros(2,2)
for t, p in zip(predict.view(-1), target.view(-1)):
    confusion_matrix[t.long(), p.long()] += 1
a_p =(confusion_matrix.diag() / confusion_matrix.sum(1))[0]
b_p = (confusion_matrix.diag() / confusion_matrix.sum(1))[1]
a_r =(confusion_matrix.diag() / confusion_matrix.sum(0))[0]
b_r = (confusion_matrix.diag() / confusion_matrix.sum(0))[1]

 

在pytorch 中计算精度、回归率、F1 score等指标的实例
09-18
今天小编就为大家分享一篇在pytorch 中计算精度、回归率、F1 score等指标的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch预测结果的精度、召回率、F1值、准确率计算（简单实现）
计算机视觉的学习日常
11-22 1万+
1. 导入必要的库函数 import os import json import torch from PIL import Image from torchvision import transforms # 导入自己的模型 from model_v3 import mobilenet_v3_small 2. 文件存储格式 imgs文件下下是需要预测的图像 label.txt为每幅图对应的标签 ### 这个无所谓，能正常读取就行 3. 标签读取辅助函数 targets_path =.
Pytorch训练模型得到输出后计算F1-Score 和AUC
Matrix_cc的博客
04-24 1万+
1、计算F1-Score 对于二分类来说，假设batch size 大小为64的话，那么模型一个batch的输出应该是torch.size([64,2])，所以首先做的是得到这个二维矩阵的每一行的最大索引值，然后添加到一个列表中，同时把标签也添加到一个列表中，最后使用sklearn中计算F1的工具包进行计算，代码如下 import numpy as np import sklearn.metrics import f1_score prob_all = [] lable_all = [] for i,
酉矩阵（Unitary Matrix）
最新发布
m0_63512689的博客
09-25 1388
设UUU是一个n×nn \times nn×n的复矩阵（元素取自复数域C\mathbb{C}C），若其满足以下条件，则称UUUUHUUUHInUHUUUHIn​UHU^HUH表示UUU的埃尔米特共轭（Hermitian Adjoint），即先对UUU取转置（UTU^TUT），再对每个元素取复共轭（UT‾UT），数学表示为UHUT‾UHUT；InI_nIn​是nnn。
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1
forGemini的博客
11-24 2万+
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1 1、概述 本文首先介绍了机器学习分类问题的性能指标查准率（Precision）、查全率（Recall）与F1度量，阐述了多分类问题中的混淆矩阵及各项性能指标的计算方法，然后介绍了PyTorch中scatter函数的使用方法，借助该函数实现了对Precision、Recall、F1及正确率的计算，并对实现过程进行了解释。 观前提示：阅读本文需要你对机器学习与PyTorch框架具有一定的了解。 Tips：如果你只是想利用PyTo
CV模型上生产后发现准确率、召回率、F1值等各类指标性能大幅下降的一些排查方法
今晚打老虎的专栏
07-02 1203
通过以上步骤，你可以逐步排查并解决服务器上模型性能下降的问题。以上步骤只是作到抛砖引玉的作用，如果问题依然存在，可以考虑更加细致的排查，例如从模型开发环境的硬件架构和精度、操作系统版本和位数、软件版本、部署代码各类参数等方向去排查。我在本地训练了一个目标检测模型，当部署到生产后发现该模型的准确率、召回率、F1值等各类指标性能都出现了大幅度的下降。基于此，我在该文中总结一下排查此类问题的方法。理解了你的问题，模型在本地训练和测试时表现良好，但在服务器上部署后性能指标（准确率、召回率和F1值）大幅下降。
二分类语义分割评价指标代码（准确率、精确率、召回率、F1值）
每天都要看论文
09-09 472
【代码】语义分割评价指标代码（准确率、精确率、召回率、F1值）
《Python机器学习基础教程》第十一章推荐系统基础11.11 推荐系统评估指标：深入解析准确率、召回率、F1分数、NDCG和MAP
03-30 959
我们也可以自定义评估函数来计算这些指标。"""自定义准确率计算:param y_true: 真实标签:param y_pred: 预测标签:return: 准确率"""return 0.0"""自定义召回率计算:param y_true: 真实标签:param y_pred: 预测标签:return: 召回率"""return 0.0"""自定义F1分数计算:param y_true: 真实标签:param y_pred: 预测标签:return: F1分数"""
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
今天小编就为大家分享一篇Pytorch 计算误判率,计算准确率,计算召回率的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch 实现计算分类器准确率(总分类及子分类)
09-18
今天小编就为大家分享一篇Pytorch 实现计算分类器准确率(总分类及子分类)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch 计算误判率，计算准确率，计算召回率
sinat_36024346的博客
06-09 3万+
无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率，很少有计算误判率，下面就说说怎么计算准确率以及误判率1.计算正确率获取每批次的预判正确个数train_correct = (pred == batch_y.squeeze(1)).sum()该语句的意思是 预测的标签与实际标签相等的总数获取训练集总的预判正确个数train_acc += train_correct.data[0]   ...
pytorch 中计算精度、回归率、F1 score等指标
热门推荐
link的博客
03-15 3万+
pytorch 中计算精度、回归率、F1 score等指标 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...
推荐系统评价指标
qq_38124658的博客
08-04 402
混淆矩阵 True Positive(真正, TP)：将正类预测为正类数. True Negative(真负 , TN)：将负类预测为负类数. False Positive(假正, FP)：将负类预测为正类数. →→ 误报 (Type I error). False Negative(假负 , FN)：将正类预测为负类数. →→ 漏报 (Type II error). 1. 精确率(precision) 定义如下： P=TPTP+FP P=\frac{T P}{T P+F P} P=TP+FPTP​ T
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
YMilton的专栏
04-13 7627
目标检测评估计算（Python+Pytorch） 代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv3 1. 检测的评估函数 # reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.py def ap_per_class(tp, conf, pre
pytorch 实现目标检测（二）（小黄人测试、准确度、精确度、召回率）
阿鹏的摇滚小站
02-14 1636
六、测试网络模型 (1) 基本概念理解 需要清楚几个概念：准确度、精度、召回率 TP: True Positive,将正样本预测为正样本的样本数量（预测正确） FN: False Negtive,将正样本预测为负样本的样本数量 FP: False Positive,将负样本预测为正样本的样本数量 TN: True Negtive,将负样本预测为正样本的样本数量（预测正确） 1. 准确度：准确度...
python计算召回率_Pytorch 计算误判率,计算准确率,计算召回率的例子
weixin_39585035的博客
11-24 503
无论是官方文档还是各位大神的论文或搭建的网络很多都是计算准确率，很少有计算误判率，下面就说说怎么计算准确率以及误判率、召回率等指标1.计算正确率获取每批次的预判正确个数train_correct = (pred == batch_y.squeeze(1)).sum()该语句的意思是 预测的标签与实际标签相等的总数获取训练集总的预判正确个数train_acc += train_correct.dat...
【Pytorch学习笔记】9.分类器的分类结果如何评估——使用混淆矩阵、F1-score、ROC曲线、PR曲线等（以Softmax二分类为例）
takedachia的博客
05-25 4062
【Pytorch学习笔记】9.分类器的分类结果如何评估——使用混淆矩阵、F1-score、ROC曲线、PR曲线等（以Softmax二分类为例）
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 2万+
追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。
我想利用pytorch计算准确率、精度、召回率和 F1 值
05-27
好的，下面是如何使用 PyTorch 计算准确率、精度、召回率和 F1 值的示例代码： ```python import torch def accuracy(y_pred, y_true): """计算准确率""" preds = torch.argmax(y_pred, dim=1) correct = torch.eq(preds, y_true).sum().item() acc = correct / len(y_true) return acc def precision(y_pred, y_true): """计算精度""" preds = torch.argmax(y_pred, dim=1) true_positives = torch.eq(preds, y_true) & torch.eq(preds, 1) false_positives = torch.ne(preds, y_true) & torch.eq(preds, 1) p = true_positives.sum().item() / (true_positives.sum().item() + false_positives.sum().item()) return p def recall(y_pred, y_true): """计算召回率""" preds = torch.argmax(y_pred, dim=1) true_positives = torch.eq(preds, y_true) & torch.eq(preds, 1) false_negatives = torch.ne(preds, y_true) & torch.eq(y_true, 1) r = true_positives.sum().item() / (true_positives.sum().item() + false_negatives.sum().item()) return r def f1_score(y_pred, y_true): """计算 F1 值""" p = precision(y_pred, y_true) r = recall(y_pred, y_true) f1 = 2 * (p * r) / (p + r) return f1 ``` 这里假设 `y_pred` 是模型的预测输出，`y_true` 是真实的标签。您可以将这些函数添加到您的代码中，并使用它们来计算指标。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值