多标签分类map计算

1. 范围

图像的多标签分类中，需要用二元交叉熵损失函数，同时评价标准中用map（mean average precision），计算map则要计算ap，AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏，得到AP后mAP的计算就变得很简单了，就是取所有AP的平均值。

---

2. AP的计算

可以参考

1. 多标签图像分类任务的评价方法——mAP
2. 关于mAP计算的一些思考

可以首先看一下以上的两个链接，了解一些概念。其实关键就在第二篇的这句：
precision = cumsum(gt) / index。如下表：

这就是求的在一个类别id上的AP，然后求出每个类别id上的AP，最后求一个平均就是map了。

3. 实例

这是github项目SIXray中的源码。求AP的

# sort examples
sorted, indices = torch.sort(output, dim=0, descending=True)

# Computes prec@i
pos_count = 0.000000001
total_count = 0.
precision_at_i = 0.
for i in indices:
    label = target[i]
    if difficult_examples and label == 0:
        continue
    if label == 1:
        pos_count += 1
    total_count += 1
    if label == 1:
        precision_at_i += pos_count / total_count
precision_at_i /= pos_count

主要就是一个sort，然后是求precision = cumsum(gt) / index，最后precision /= pos_count，就是AP了。其他类别的AP，以此类推，最后求平均就是map。