Python 创建具有正确计数的验证结果矩阵

我有一个经过训练的10类机器学习模型，类似于MNIST数字分类器。我想确定每个数字类正确的频率，以及如果出现错误，它会混淆为哪个类。我想用它来创建一个混乱矩阵

无论如何，每个过程的输入是来自验证集的一批图片（形状（32,3224224），其中3,224和224是图片尺寸，32是批量大小）以及这些图片匹配的类号标签（形状32,1）。模型输出为（形状32,1），并列出模型认为最匹配的类号。通过比较标签和输出张量，我可以很容易地找到有多少匹配项，但我很难说出错误分类是如何遗漏的。下面是主验证循环的一个片段

# Main validation loop
valid_accuracy = 0.0
model.eval()
device = 'cuda'
raw_counts = torch.zeros((11,11)) # leave room for totals in the last row and column
with torch.no_grad():
    for inputs, labels in validloader:
        # Run each image through the network to get log probabilities of each class
        inputs, labels = inputs.to(device), labels.to(device)
        logps = model.forward(inputs)  

        # Calculate accuracy
        ps = torch.exp(logps) # 32 X 10: probability of each label in every case
        top_p, top_class = ps.topk(1, dim=1)
        equals = top_class == labels.view(*top_class.shape)
        valid_accuracy += torch.mean(equals.type(torch.FloatTensor)).item()

        # Count confusions
        raw_counts[labels[:],top_class[:,0]] += 1  # <<<<---- This is the problem!

        # Accumulate letter-by-letter certainties
        for i in range(ll):
            sum_ps[i,] += sum(ps[labels==i])
            letter_counts[i] += len(ps[labels==i])

# Print validation accuracy
valid_accuracy = valid_accuracy/len(validloader)
print(f"Validation accuracy: {valid_accuracy:.3f}")

一切如期而至。但在执行该行之后：

(Pdb) n
> /home/model.py(219)main()
-> for i in range(10):
(Pdb) raw_counts
tensor([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 1., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])

---

尽管这批产品中有五个标签是5个，而且型号都很好，但仍然

原始计数[4,4]==1

。有没有什么类似python的方法来计算所有五个正确答案，而不让循环变得混乱之类的呢？

没有足够的声誉来评论，所以我重复一下

---

我使用这两个函数来计算混淆矩阵（如中所定义）：

#将sklearn方法重写为torch
定义混淆矩阵1（y_真，y_pred）：
N=max（max（y_真）、max（y_pred））+1
y_-true=torch.tensor（y_-true，dtype=torch.long）
y_pred=火炬.张量（y_pred，dtype=火炬.长）
返回火炬.稀疏.长传感器(
火炬堆栈（[y_true，y_pred]），
torch.one_like（y_true，dtype=torch.long），
火炬尺寸（[N，N]）至密度（）
#用bincount玩的诡计
def混淆矩阵2（y_真，y_pred）：
N=max（max（y_真）、max（y_pred））+1
y_-true=torch.tensor（y_-true，dtype=torch.long）
y_pred=火炬.张量（y_pred，dtype=火炬.长）
y=N*y_真+y_预测
y=火炬的宾数（y）
如果len（y）

第二个函数在类数较少的情况下速度更快

%%timeit
混淆矩阵1（y_真，y_pred）
#每个回路102µs±30.7µs（7次运行的平均值±标准偏差，每个1000个回路）
%%时间
混淆矩阵2（y_真，y_pred）
#每个回路25µs±149 ns（7次运行的平均值±标准偏差，每个10000个回路）

如果您可以复制另一个问题的答案来回答这个问题，那么这个问题是重复的，应该关闭。或者，如果它们是不同的问题，你的答案并不真正回答其中一个问题。

(Pdb) n
> /home/model.py(219)main()
-> for i in range(10):
(Pdb) raw_counts
tensor([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 1., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])