利用Torchmetrics库快速进行Torch的评价指标计算（推荐）

 目录

1、安装

2、基本流程介绍

3、MetricCollection

4、自定义指标

5、我们可以调用多个指标计算不同的任务

6、可以是标签，也可以是one_hot编码

7、常用分类指标计算

8、异常报错

---

 

1、安装

官网地址：Welcome to TorchMetrics — PyTorch-Metrics 1.0.1 documentation 

GitHub：Torchmetrics

 pip install torchmetrics -i https://pypi.tuna.tsinghua.edu.cn/simple

2、基本流程介绍

在训练时我们都是使用 batch_size 批次训练，对于TorchMetrics也是一样的，在一个批次前向传递完成后将目标值Y和预测值Y_pre传递给torchmetrics的评价指标对象，评价指标对象会计算该批次评价指标并保存它(在其内部被称为state)。

当所有的批次完成时（也就是训练的一个Epoch完成），我们就可以从评价指标对象返回最终结果(这是对所有批计算的结果)。这里的每个度量对象都是从metric类继承，它包含了4个关键方法:

• metric.forward(pred, target)：更新度量状态并返回当前批次上计算的度量结果。如果您愿意，也可以使用metric(pred, target)，没有区别。
• metric.update(pred,target) ：与forward相同，但是不会返回计算结果，相当于是只将结果存入了state。如果不需要在当前批处理上计算出的度量结果，则优先使用这个方法，因为他不计算最终结果速度会很快。
• metric.compute()：返回在所有批次上计算的最终结果。也就是说其实forward相当于是update+compute。
• metric.reset()：重置状态，以便为下一个验证阶段做好准备。

也就是说：在我们训练的当前批次，获得了模型的输出后可以forward或update（建议使用update）。在批次完成后，调用compute以获取最终结果。最后，在验证轮次（Epoch）或者启用新的轮次进行训练时您调用reset重置状态指标。

例如：

import torch
import torchmetrics

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Model().to(device)
metric = torchmetrics.Accuracy().to(device)

for batch_idx, (data, target) in enumerate(val_dataloader):
    data, target = data.to(device), target.to(device)
    outp