首先,我们需要从torchmetrics库中导入functional模块,以便使用其中的f1和accuracy函数。这可以通过以下代码实现: python from torchmetrics.functional import f1, accuracy 2. 使用f1函数 f1函数用于计算F1分数,这是分类任务中常用的一个性能指标,是精确率(Precision)和召回率(Recall)的调和平均。F1分数的值介于0和1之...
计算F1、准确率(Accuracy)、召回率(Recall)、精确率(Precision)、敏感性(Sensitivity)、特异性(Specificity)需要用到的包(PS:还有一些如AUC等后面再加上用法。) fromsklearn.metricsimportprecision_recall_curve,average_precision_score,roc_curve,auc,precision_score,recall_score,f1_score,confusion_matrix,accuracy_...
device=torch.device('cuda'iftorch.cuda.is_available()else'cpu')model=YourModel().to(device)metric=torchmetrics.Accuracy()forbatch_idx,(data,target)inenumerate(val_dataloader):data,target=data.to(device),target.to(device)output=model(data)# metric on current batch batch_acc=metric.update(preds...
classification: 包含分类任务的指标,如 Accuracy, Precision, Recall, F1Score 等。 torchmetrics.regression: 包含回归任务的指标,如 MeanSquaredError, MeanAbsoluteError, R2Score 等。 torchmetrics.retrieval: 包含推荐系统任务的指标,如 HitRate, MeanAveragePrecision, NormalizedDiscountedCumulativeGain 等。
(100,))# 初始化模型、损失函数和优化器model=SimpleNN()criterion=nn.CrossEntropyLoss()optimizer=optim.Adam(model.parameters(),lr=0.01)# 初始化TorchMetrics的准确率指标accuracy=torchmetrics.Accuracy()# 训练模型forepochinrange(5):model.train()optimizer.zero_grad()output=model(data)loss=criterion(...