pytorch混淆函数记录

最新推荐文章于 2024-03-25 10:35:25 发布
最新推荐文章于 2024-03-25 10:35:25 发布
阅读量478 收藏
点赞数
分类专栏： 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/baidu_40840693/article/details/100840156
版权

torch.cat 和 torch.stack的区别 

    a = torch.Tensor([[[[1, 2, 3],[1, 2, 3],[1, 2, 3]],
                       [[4, 5, 6],[4, 5, 6],[4, 5, 6]]],

                      [[[7, 8, 9],[7, 8, 9],[7, 8, 9]],
                       [[10, 11, 12],[10, 11, 12],[10, 11, 12]]]])
    print(a.size())
    b = torch.stack((a, a))
    c = torch.cat((a, a))
    print(b.size())
    print(c.size())
    print(a)
    print(b)
    print(c)

#torch.Size([2, 2, 3, 3])

#stack
#torch.Size([2, 2, 2, 3, 3])

#cat
#torch.Size([4, 2, 3, 3])

tensor([[[[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]]],


        [[[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]]]])


tensor([[[[[ 1.,  2.,  3.],
           [ 1.,  2.,  3.],
           [ 1.,  2.,  3.]],

          [[ 4.,  5.,  6.],
           [ 4.,  5.,  6.],
           [ 4.,  5.,  6.]]],


         [[[ 7.,  8.,  9.],
           [ 7.,  8.,  9.],
           [ 7.,  8.,  9.]],

          [[10., 11., 12.],
           [10., 11., 12.],
           [10., 11., 12.]]]],



        [[[[ 1.,  2.,  3.],
           [ 1.,  2.,  3.],
           [ 1.,  2.,  3.]],

          [[ 4.,  5.,  6.],
           [ 4.,  5.,  6.],
           [ 4.,  5.,  6.]]],


         [[[ 7.,  8.,  9.],
           [ 7.,  8.,  9.],
           [ 7.,  8.,  9.]],

          [[10., 11., 12.],
           [10., 11., 12.],
           [10., 11., 12.]]]]])


tensor([[[[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]]],


        [[[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]]],


        [[[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]]],


        [[[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]]]])

如果是

    a = torch.Tensor([[[[1, 2, 3],[1, 2, 3],[1, 2, 3]],
                       [[4, 5, 6],[4, 5, 6],[4, 5, 6]]],

                      [[[7, 8, 9],[7, 8, 9],[7, 8, 9]],
                       [[10, 11, 12],[10, 11, 12],[10, 11, 12]]]])
    print(a.size())
    b = torch.stack((a, a), dim=1)
    c = torch.cat((a, a), dim=1)
    print(b.size())
    print(c.size())
    print(a)
    print(b)
    print(c)

torch.Size([2, 2, 3, 3])
torch.Size([2, 2, 2, 3, 3])
torch.Size([2, 4, 3, 3])

tensor([[[[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]]],


        [[[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]]]])
tensor([[[[[ 1.,  2.,  3.],
           [ 1.,  2.,  3.],
           [ 1.,  2.,  3.]],

          [[ 4.,  5.,  6.],
           [ 4.,  5.,  6.],
           [ 4.,  5.,  6.]]],


         [[[ 1.,  2.,  3.],
           [ 1.,  2.,  3.],
           [ 1.,  2.,  3.]],

          [[ 4.,  5.,  6.],
           [ 4.,  5.,  6.],
           [ 4.,  5.,  6.]]]],



        [[[[ 7.,  8.,  9.],
           [ 7.,  8.,  9.],
           [ 7.,  8.,  9.]],

          [[10., 11., 12.],
           [10., 11., 12.],
           [10., 11., 12.]]],


         [[[ 7.,  8.,  9.],
           [ 7.,  8.,  9.],
           [ 7.,  8.,  9.]],

          [[10., 11., 12.],
           [10., 11., 12.],
           [10., 11., 12.]]]]])
tensor([[[[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]],

         [[ 1.,  2.,  3.],
          [ 1.,  2.,  3.],
          [ 1.,  2.,  3.]],

         [[ 4.,  5.,  6.],
          [ 4.,  5.,  6.],
          [ 4.,  5.,  6.]]],


        [[[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]],

         [[ 7.,  8.,  9.],
          [ 7.,  8.,  9.],
          [ 7.,  8.,  9.]],

         [[10., 11., 12.],
          [10., 11., 12.],
          [10., 11., 12.]]]])

x.view(x.size(0), -1)的解释 

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.output(x)
        return x
torch.Size([4, 2048, 1, 1])
torch.Size([4, 2048])
torch.Size([4, 1000])#1000为分类数目
        w = self.fc2(z)

        print(w.size())
        batch = w.size(0)
        w = w.view(batch, self.num_branches, self.out_channels)
        print(w.size())
        w = self.softmax(w)
        print(w.size())
        w = w.unsqueeze(-1).unsqueeze(-1)
        print(w.size())

torch.Size([4, 256, 1, 1])
torch.Size([4, 2, 128])
torch.Size([4, 2, 128])
torch.Size([4, 2, 128, 1, 1])

知识在于分享
关注
专栏目录
pytorch 绘制混淆矩阵
all_for_you_的博客
05-10 5402
import matplotlib.pyplot as plt import numpy as np #cm是统计好的混淆矩阵，file_path是存储混淆矩阵图像的路径，epoch为我自己传参过来的测试的次数，可以去掉epoch，看大家的要求。 def plot_Matrix(cm, file_path, epoch): cmap=plt.cm.Blues classes = [‘Social’, ‘Using computer’, ‘Reading’]#规定出来的x,y轴的值， plt.rc(‘font
confusion_混淆矩阵、pytorch、模型_混淆矩阵pytorch_混淆矩阵_
10-04
利用pytorch训练得到的深度学习模型，通过测试集数据得到混淆矩阵
混淆矩阵：用于多分类模型评估（pytorch)
地中海の养成记
04-14 1万+
这里写目录标题1. 混淆矩阵介绍二级目录三级目录2. 代码实现 1. 混淆矩阵介绍 二级目录 三级目录 2. 代码实现
模型评价指标(1)--混淆矩阵Confsion Matrix--PyTorch实现
qq_37170427的博客
08-03 450
模型评价指标--混淆矩阵Confsion Matrix
混淆矩阵：用于多分类模型评估（pytorch)——总结2
Fighting Hua
09-19 3528
混淆矩阵（confusion matrix） 1. 混淆矩阵介绍2. 代码实现2.1 数据集2.2 代码：混淆矩阵类2.3 在验证集上计算相关指标2.4 结果 1. 混淆矩阵介绍 这里不多说，可参考 混淆矩阵相关概念调用sklearn库计算混淆矩阵的指标 2. 代码实现 2.1 数据集 此数据集用于多分类任务（检测番茄叶片病虫害）。这里测试的数据集一共1250张图，1000张用于训练，250张用于...
PyTorch工具函数/模块集-默认情况下未在PyTorch中实现的有用的PyTorch功能和模块.zip
12-20
"PyTorch工具函数/模块集-默认情况下未在PyTorch中实现的有用的PyTorch功能和模块.zip"就是一个这样的资源集合，它包含了PyTorch官方库未提供的额外功能。 1. **自定义优化器**: PyTorch官方提供了常见的优化器如...
pytorch混淆矩阵函数
09-25
在PyTorch中，可以使用confusion_matrix()函数来计算混淆矩阵。这个函数的定义如下： ```python def confusion_matrix(preds, labels, conf_matrix): preds = torch.argmax(preds, 1) for p, t in zip(preds, ...
pytorch 混淆矩阵
09-02
在PyTorch中，我们可以使用混淆矩阵来评估模型的分类准确性。 首先，我们需要导入必要的库和函数进行混淆矩阵的计算和可视化。可以参考和中的代码实现部分。 1. 数据集：在计算混淆矩阵之前，我们需要准备好一个...
pytorch混淆矩阵
07-28
在PyTorch中，可以使用sklearn库中的`confusion_matrix`函数来计算混淆矩阵。以下是一个示例代码： ```python import torch from sklearn.metrics import confusion_matrix # 假设有真实标签和预测标签 true_...
pytorch绘制混淆矩阵
热门推荐
默默无闻的博客
12-02 2万+
pytorch测试结果转换为numpy格式 代码主要来自该博文 混淆矩阵的绘制(Plot a confusion matrix) # 测试阶段代码 # 创建一个空矩阵存储混淆矩阵 conf_matrix = torch.zeros(cfg.NUM_CLASSES, cfg.NUM_CLASSES) for batch_images, batch_labels in test_dataloader...
详解使用python绘制混淆矩阵（confusion_matrix）
01-01
Summary 涉及到分类问题，我们经常需要通过可视化混淆矩阵来分析实验结果进而得出调参思路，本文介绍如何利用python绘制混淆矩阵（confusion_matrix），本文只提供代码，给出必要注释。 Code​ # -*-coding:utf-8-*- from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np #labels表示你不同类别的代号，比如这里的demo中有13个类别 labels = ['A', 'B', 'C', 'F', 'G', 'H
【Pytorch】进阶学习：深入解析 sklearn.metrics 中的 confusion_matrix（混淆矩阵）
最新发布
创作高质量博文，分享知识，共同进步！
03-25 4048
【🔍Pytorch进阶】解锁分类神器🔑！深入剖析sklearn.metrics中的confusion_matrix📊。从原理到实践，让你轻松掌握混淆矩阵的奥秘🌈。可视化技巧助你一臂之力，直观展示模型性能📈。揭秘性能指标，准确评估分类效果🎯。更有局限性分析与改进方法，让你的模型更上一层楼🚀。探索扩展应用，拓宽机器学习视野🌍。读完这篇博客，你将成为混淆矩阵的行家里手！#混淆矩阵 #机器学习 #性能评估 #分类模型 #sklearn
pytorch混淆矩阵的计算
Andrew_SJ的博客
12-10 3215
原文链接： CNN中的混淆矩阵 | PyTorch系列（二十三） 英文原文：CNN Confusion Matrix With PyTorch - Neural Network Programming
pytorch 计算混淆矩阵
qq_68308828的博客
03-15 3516
混淆矩阵
混淆矩阵可视化 python实现
weiyunna的博客
01-18 2027
if __name__ == '__main__': import matplotlib.pyplot as plt import numpy as np confusion = np.array(([95,0,0,0,0,0, 5,0, 0,0], [17.5,80,0,0,2.5,0,0,0,0,0], [10, 2.5, 85,0,0,0,0,2.5,0,0], [10,12.5,5,57.5,0,2.5,0,2.5,5,5],[2.5,5,0,2.5,65,25,.
混淆矩阵的可视化
weixin_43200379的博客
12-31 300
暂时这样，还没学会改颜色，待补充。。。。
pytorch进阶学习（七）：神经网络模型验证过程中混淆矩阵、召回率、精准率、ROC曲线等指标的绘制与代码
CV在读
04-14 8309
在机器学习领域，混淆矩阵（ConfusionMatrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。在下图是否为猫的预测中，表格左上（实际为正和预测为正）和右下（实际为负和预测为负）是预测正确的值。根据左边表格的数据，可以得出右边表格中的数字，即得到了混淆矩阵。
使用pytorch和tensorflow计算分类模型的混淆矩阵
VIEO
06-01 484
https://www.bilibili.com/video/BV1GV411C7AW?share_source=copy_web
pyhton分类时画混淆矩阵
浪浪的博客
05-18 1630
1.求取预测的矩阵 import numpy as np from sklearn.metric import confusion_matrix from keras import model from keras.models import predict c=np.zeros(shape=(9,9)) #建立一个空矩阵，一共分为9类 for i in range (10): #取模型...
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