pytorch中计算准确率，召回率和F1值的方法

最新推荐文章于 2024-09-01 12:13:00 发布
最新推荐文章于 2024-09-01 12:13:00 发布
阅读量1.8w 收藏 29
点赞数 3
分类专栏： 深度学习 文章标签： pytorch准确率 召回率 F1
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/coding_zhang/article/details/89537810
版权 
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]

 

coding_zhang
关注
专栏目录
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
07-02 838
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。
python计算召回率代码_序列标注的准确率和召回率计算
weixin_39849287的博客
02-01 2728
最近在用BiLSTM+CRF做命名实体识别问题。关于模型效果评估，很多提到用conlleval.pl来实现，conlleval.pl是perl语言写的，原谅我没看懂。最后还是决定自己写个程序算一算准确率和召回率。公式准确率 = 预测正确的实体个数 / 预测的实体总个数召回率 = 预测正确的实体个数 / 标注的实体总个数F1 = 2 *准确率 * 召回率 / (准确率 + 召回率)实现1、获取实体：...
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 =.
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
数学基础 -- 线性代数之酉矩阵
最新发布
sz66cm 学习随笔
09-01 3848
酉矩阵是一个复矩阵UUUU†UUU†IU†UUU†IU†U†是矩阵UUU的共轭转置矩阵，即UUU的转置矩阵再取元素的共轭。III是单位矩阵。换句话说，矩阵UUUU−1U†U−1U†。
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1
forGemini的博客
11-24 1万+
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
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
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...
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...
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
YMilton的专栏
04-13 6762
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 1533
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
11-24 443
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...
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 1万+
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。
【机器学习】机器学习分类器性能评判标准（Accuracy、Precision、Recall、P-R曲线、F1 Score、Confuse Matrix等）你是否真的懂了？
让算法融入生活，改变生活！
08-16 2825
文章目录前言1 准确率（Accuracy）2 精确率（Precision）3 召回率（Recall）4 P-R曲线5 F1-Score6 ROC曲线7 AUC值8 混淆矩阵9 多分类参考文献 前言 在机器学习算法中，在模型训练出来之后，总会去寻找衡量模型性能的指标。评价指标是针对将相同的数据，使用不同的算法模型，或者输入不同参数的同一种算法模型，而给出这个算法或者参数好坏的定量指标。 在模型评估过程中，往往需要使用多种不同的指标协作评估一个模型的好坏，因为众多的评价指标中，大部分指标只能片面的反应模型的一部
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
TFATS的博客
06-29 9572
本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：
20温控f1什么意思_准确率、精准率、召回率、F1，我们真了解这些评价指标的意义吗？...
weixin_39759918的博客
11-26 219
本文首发于知乎 https://zhuanlan.zhihu.com/p/147663370作者 | NaNNN编辑 | 丛末1前言众所周知，机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score，而回归模型最常用指标有MAE和RMSE。但是我们真正了解这些评价指标的意义吗？在具体场景(如不均衡多分类)中到底应该以哪种指标为主要参考呢？多分类模型和二...
评论 2
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