tf和pytorch每轮epoch显示输出的auc是如何计算的

于 2023-09-05 21:02:10 发布
阅读量619 收藏
点赞数
分类专栏： 推荐算法 文章标签： pytorch 人工智能 python 深度学习
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。
本文链接：https://blog.csdn.net/Ajdidfj/article/details/132697478
版权

tf和pytorch每轮epoch显示输出的auc是如何计算的？

tf的计算

近似 ROC 或 PR 曲线的 AUC（曲线下面积）。

tf1 通过计算真阳性，假阳性，假阴性，真阴性值的计算策略。

tensorflow AUC & streaming_auc_我爱写报告的博客-CSDN博客

Tf2通过黎曼和进行计算的。

Pytorch

torcheval.metrics.AUC — TorchEval main documentation (pytorch.org)

Sklearn

 根据预测分数计算接收器工作特征曲线 （ROC AUC） 下的面积。

此实现可以与两分类、多类和多标签分类。

参考资料：

torcheval.metrics.AUC — TorchEval main documentation (pytorch.org)

tf.keras.metrics.AUC |张量流 v2.13.0 (tensorflow.org)

AP微积分估值2种方法之：黎曼与梯形法及泰勒级数介绍 | TestDaily厚朴优学

sklearn.metrics.roc_auc_score — scikit-learn 1.3.0 documentation 

小小白2333
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【Pytorch-从一团乱麻到入门】：4、模型效果评估指标：ROC-AUC、PR-AUC及可能遇到的问题(1)
qq_40815731的博客
02-18 3632
1.ROC-AUC 和PR-AUC定义 AUC： 随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。 ROC-AUC 指的是 ROC 曲线下的面积，通过在【0，1】范围内设置阈值来计算对应的TPR和FPR，最终将所有的点连起来构成ROC曲线。 PR-AUC 的构造和上述过程基本一致，只是需要再计算出 Precision 和 Recall,以precision（精准率）和recall（召回率）这两个为变量而做出的.
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,
Pytorch教程入门系列11----模型评估
热门推荐
weixin_46417939的博客
12-11 3万+
本文介绍了常用评估模型的方法，及使用方法，帮助初学者快速上手
python计算AUC值
工科π的博客
05-19 4470
AUC简介 AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。AUC被广泛应用在多标签分类中衡量分类结果。尤其是样本分布不均时，一般采用AUC作为各标签分类结果的衡量标准。 本文介绍了python实现AUC计算的方法。 首先该方法使用sklearn中的roc_auc_score函数计算，因此需要事先安装sklearn,安装命令为pip install sklearn 计算AUC的代码为： from sklearn.metrics import r
获取pytorch网络任意中间层输出
07-05
可以获取任意中间层的特征图输出
pytorch4.4.0轮子
03-05
torch-1.4.0-cp36-cp36m-win_amd64.whl torchvision-0.5.0-cp36-cp36m-win_amd64.whl Win+R键进入命令行窗口，切换当前目录至上述资解压目录 输入命令pip install torch-1.4.0-cp36-cp36m-...进行安装pytorch1.4.0版本
基于pytorch编写的利用深度强化学习解决任务卸载和边缘计算问题
05-02
改代码对应的文章：Multi-Agent Deep Reinforcement Learning for Task Offloading in Group...含有可运行的pytorch代码，调试多次，实测可运行 包括大规模数据集用来仿真实验 算法：多智能体深度强化学习 Actor-Critic
pytorch 计算ConvTranspose1d输出特征大小方式
09-16
主要介绍了pytorch 计算ConvTranspose1d输出特征大小方式，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 数据集图片显示方法
09-20
今天小编就为大家分享一篇pytorch 数据集图片显示方法，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
ROC/AUC曲线学习及Python实现
Joker 007的博客
10-06 1万+
参考博客：【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC 一、准确率，精准率，召回率 1.TP、TN、FP、FN概念 P（Positive）：代表1 N（Negative）：代表0 T（True）：代表预测正确 F（False）：代表错误 以上四种情况可理解为： 先看 ①预测结果（P/N），再根据②实际表现对比预测结果，给出判断结果（T/F）。 如： TP： 预测为1，预测正确，即实际1 FP： 预测为1，预测错误，即实际0 FN： 预测为0，预测错误，即实际1
Pytorch之训练的完整过程(最终篇)
记录学习的小白
04-18 1万+
先引入库（事实上是在构建时引入的）note9_train.py import torchvision from torch.utils.tensorboard import SummaryWriter from note9_LeNet import * from torch import nn from torch.utils.data import DataLoader 其中note9_LeNet中存放的是之前的模型文件，大多数情况也这么引入 note9_LeNet.py import tor
tensorflow 里metrics_深入理解TensorFlow中的tf.metrics算子
weixin_39566773的博客
12-21 318
前言本文将深入介绍Tensorflow内置的评估指标算子。tf.metrics.accuracy()tf.metrics.precision()tf.metrics.recall()tf.metrics.mean_iou()简单起见，本文在示例中使用tf.metrics.accuracy()，但它的模式以及它背后的原理将适用于所有评估指标。如果您只想看到有关如何使用tf.metrics的示例代码，...
Tensorflow2.0之绘图：分类问题的准确率、精确率、召回率、ROC曲线以及曲线下面积
cocofisher的博客
03-10 1万+
文章目录准确率、精确率、召回率、ROC曲线的定义用Tensorflow2.0绘制相关曲线建模时设置METRICS定义损失曲线、AUC曲线、精确率曲线以及召回率曲线函数定义ROC曲线函数预测训练集和测试集ROC曲线定义混淆矩阵函数绘制混淆矩阵 准确率、精确率、召回率、ROC曲线的定义 阳性与阴性 准确率 精确率与召回率 ROC 和曲线下面积 用Tensorflow2.0绘制相关曲线 建模时设置MET...
多标签评价指标AUC计算
wuli_xin的博客
03-07 979
多标签评价指标AUC计算
二分类损失函数及AUC指标
myblog
07-27 3957
pytorch实现二分类器 主要问题在于输入输出，以及损失函数设置 from sklearn.metrics import roc_auc_score import torch.nn.functional as F import torch.nn as nn import torch class Net(nn.Module): def __init__(self,in_dim,hidden_dim,out_dim=1): super().__init__() self.fc1 =
python计算auc_python计算auc指标实例
weixin_39612720的博客
12-22 372
1、安装scikit-learn1.1Scikit-learn 依赖Python (>= 2.6 or >= 3.3),NumPy (>= 1.6.1),SciPy (>= 0.9).分别查看上述三个依赖的版本，python -V 结果：Python 2.7.3python -c 'import scipy; print scipy.version.version' sci...
机器学习中的度量指标：ROC曲线，AUC值，K-S曲线
兔角与禅
07-31 5212
机器学习中的度量指标：ROC曲线，AUC值，K-S曲线 首先，回顾一下二分类问题的一些定义： 预测 1 0 实 1 TP FN ​际 0 FP TN 上表中，四个项分别为：TP真阳性；FN假阴性；FP假阳性；TN真阴性 注意，真假表示预测的对错，后面的阳性和阴性表示预测结果，因此结合预测结果和预测结果的对错，可以知道对应的实际结果是什么。比如...
【0.3】 续--Tensorflow踩坑记之tf.metrics
澜子的博客
08-30 8359
【续】–Tensorflow踩坑记之tf.metrics 欠下的帐总归还是要还的，之前一直拖着，总是懒得写tf.metrics这个API的一些用法，今天总算是克服了懒癌，总结一下用tf.metrics遇到的一些坑。 博客中涉及到的所有代码都已经传到澜子的Github上啦～欢迎互粉哇。 本篇博客也传到了澜子的个人博客，欢迎大噶多多关注哇。 插一句闲话，这一次的博客基本上用的都是 Jupyt...
Tensorflow： AUC的错误/问题与修正
AcceptedLin的博客
03-04 1283
Tensorflow： AUC的错误/问题与修正 AUC是评价模型的常用指标，Tensorflow作为著名的机器学习框架，自然有对这一指标的计算API，其官网API文档为AUC。 问题 但是，这一API不是很好用，在此举一个很简单的例子： import tensorflow as tf x_1 = [0.1, 0.2, 0.3, 0.4, ...
pytorch怎么输出每个epoch的训练时间
最新发布
05-28
你可以在每个 epoch 结束后记录当前时间，然后计算与上一个 epoch 结束时的时间差，即为当前 epoch 的训练时间。具体的代码可以参考下面的示例： ``` import time start_time = time.time() # 记录训练开始时间 for epoch in range(num_epochs): # 训练代码 end_time = time.time() # 记录当前 epoch 结束时间 epoch_time = end_time - start_time # 计算当前 epoch 的训练时间 print("Epoch [{}/{}] took {:.2f} seconds.".format(epoch+1, num_epochs, epoch_time)) start_time = end_time # 更新 start_time 为当前 epoch 结束时间，作为下一个 epoch 的开始时间 ``` 在上面的代码中，我们首先在训练开始前记录了一个 `start_time`，然后在每个 epoch 结束时记录了一个 `end_time`，计算二者之差即为当前 epoch 的训练时间。最后更新 `start_time` 为当前 epoch 的结束时间，作为下一个 epoch 的开始时间。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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