我們在pytorch訓(xùn)練模型完成后我們需要計算F1-Score和AUC來評估這個模型的訓(xùn)練效果。在pytorch中計算F1-Score和AUC是比較簡單的。那么pytorch怎么求這兩個值呢？接下來這篇文章告訴你。
1、計算F1-Score
對于二分類來說，假設(shè)batch size 大小為64的話，那么模型一個batch的輸出應(yīng)該是torch.size([64,2])，所以首先做的是得到這個二維矩陣的每一行的最大索引值，然后添加到一個列表中，同時把標簽也添加到一個列表中，最后使用sklearn中計算F1的工具包進行計算，代碼如下
import numpy as np
import sklearn.metrics import f1_score
prob_all = []
lable_all = []
for i, (data,label) in tqdm(train_data_loader):
prob = model(data) #表示模型的預(yù)測輸出
prob = prob.cpu().numpy() #先把prob轉(zhuǎn)到CPU上，然后再轉(zhuǎn)成numpy，如果本身在CPU上訓(xùn)練的話就不用先轉(zhuǎn)成CPU了
prob_all.extend(np.argmax(prob,axis=1)) #求每一行的最大值索引
label_all.extend(label)
print("F1-Score:{:.4f}".format(f1_score(label_all,prob_all)))2、計算AUC
計算AUC的時候，本次使用的是sklearn中的roc_auc_score () 方法
輸入?yún)?shù)：
y_true：真實的標簽。形狀 (n_samples，) 或 (n_samples, n_classes)。二分類的形狀 (n_samples，1)，而多標簽情況的形狀 (n_samples, n_classes)。
y_score：目標分數(shù)。形狀 (n_samples，) 或 (n_samples, n_classes)。二分類情況形狀 (n_samples，1)，“分數(shù)必須是具有較大標簽的類的分數(shù)”，通俗點理解：模型打分的第二列。舉個例子：模型輸入的得分是一個數(shù)組 [0.98361117 0.01638886]，索引是其類別，這里 “較大標簽類的分數(shù)”，指的是索引為 1 的分數(shù)：0.01638886，也就是正例的預(yù)測得分。
average='macro'：二分類時，該參數(shù)可以忽略。用于多分類，' micro '：將標簽指標矩陣的每個元素看作一個標簽，計算全局的指標。' macro '：計算每個標簽的指標，并找到它們的未加權(quán)平均值。這并沒有考慮標簽的不平衡。' weighted '：計算每個標簽的指標，并找到它們的平均值，根據(jù)支持度 (每個標簽的真實實例的數(shù)量) 進行加權(quán)。
sample_weight=None：樣本權(quán)重。形狀 (n_samples，)，默認 = 無。
max_fpr=None：
multi_class='raise'：(多分類的問題在下一篇文章中解釋)
labels=None：
輸出：
auc：是一個 float 的值。
import numpy as np
import sklearn.metrics import roc_auc_score
prob_all = []
lable_all = []
for i, (data,label) in tqdm(train_data_loader):
prob = model(data) #表示模型的預(yù)測輸出
prob_all.extend(prob[:,1].cpu().numpy()) #prob[:,1]返回每一行第二列的數(shù)，根據(jù)該函數(shù)的參數(shù)可知，y_score表示的較大標簽類的分數(shù)，因此就是最大索引對應(yīng)的那個值，而不是最大索引值
label_all.extend(label)
print("AUC:{:.4f}".format(roc_auc_score(label_all,prob_all)))補充：pytorch訓(xùn)練模型的一些坑
1. 圖像讀取
opencv的python和c++讀取的圖像結(jié)果不一致，是因為python和c++采用的opencv版本不一樣，從而使用的解碼庫不同，導(dǎo)致讀取的結(jié)果不同。
2. 圖像變換
PIL和pytorch的圖像resize操作，與opencv的resize結(jié)果不一樣，這樣會導(dǎo)致訓(xùn)練采用PIL，預(yù)測時采用opencv，結(jié)果差別很大，尤其是在檢測和分割任務(wù)中比較明顯。
3. 數(shù)值計算
pytorch的torch.exp與c++的exp計算，10e-6的數(shù)值時候會有10e-3的誤差，對于高精度計算需要特別注意，比如
兩個輸入5.601597， 5.601601， 經(jīng)過exp計算后變成270.85862343143174， 270.85970686809225
以上就是Pytorch訓(xùn)練模型后計算F1-Score和AUC的方法介紹，希望能給大家一個參考，也希望大家多多支持W3Cschool。
