Python PyTorch转移学习教程的混淆矩阵和测试精度

在Pytorch Transfer学习教程之后，我感兴趣的是只报告训练和测试精度以及混淆矩阵（比如使用sklearn confusionmatrix）。我该怎么做？目前的教程只报告了train/val的准确性，我很难想出如何在那里合并sklearn confusionmatrix代码。此处链接到原始教程：

---

PyTorch社区的

ptrblck

给出的答案。非常感谢

nb_classes = 9

confusion_matrix = torch.zeros(nb_classes, nb_classes)
with torch.no_grad():
    for i, (inputs, classes) in enumerate(dataloaders['val']):
        inputs = inputs.to(device)
        classes = classes.to(device)
        outputs = model_ft(inputs)
        _, preds = torch.max(outputs, 1)
        for t, p in zip(classes.view(-1), preds.view(-1)):
                confusion_matrix[t.long(), p.long()] += 1

print(confusion_matrix)

要获得每级精度，请执行以下操作：

print(confusion_matrix.diag()/confusion_matrix.sum(1))

---

另一种获得准确度的简单方法是使用sklearns“准确度评分”。 举个例子：

from sklearn.metrics import accuracy_score
y_pred = y_pred.data.numpy()
accuracy = accuracy_score(labels, np.argmax(y_pred, axis=1))

首先，您需要从变量中获取数据。 “y_pred”是来自模型的预测，标签当然是您的标签

---

np.argmax返回数组中最大值的索引。我们想要最大的值，因为当使用softmax进行多类分类时，它对应于最高概率类。准确度得分将返回标签和y_pred之间的匹配百分比。

这里是使用sklearn的混淆矩阵稍微修改的（直接）方法：-

from sklearn.metrics import confusion_matrix

nb_classes = 9

# Initialize the prediction and label lists(tensors)
predlist=torch.zeros(0,dtype=torch.long, device='cpu')
lbllist=torch.zeros(0,dtype=torch.long, device='cpu')

with torch.no_grad():
    for i, (inputs, classes) in enumerate(dataloaders['val']):
        inputs = inputs.to(device)
        classes = classes.to(device)
        outputs = model_ft(inputs)
        _, preds = torch.max(outputs, 1)

        # Append batch prediction results
        predlist=torch.cat([predlist,preds.view(-1).cpu()])
        lbllist=torch.cat([lbllist,classes.view(-1).cpu()])

# Confusion matrix
conf_mat=confusion_matrix(lbllist.numpy(), predlist.numpy())
print(conf_mat)

# Per-class accuracy
class_accuracy=100*conf_mat.diagonal()/conf_mat.sum(1)
print(class_accuracy)

---

我使用下面的方法将torch张量转换为定义预测类的int

x = [torch.max(tensor).item() for tensor in x_data]
y = [torch.max(tensor).item() for tensor in y_data]

---

我希望这有帮助！我还是个笨蛋，所以请温柔点…

按照上面的答案。。。下面是一个带有一些可视化的答案

nb_classes = 9
confusion_matrix = np.zeros((nb_classes, nb_classes))
with torch.no_grad():
    for i, (inputs, classes) in enumerate(test_loader):
        inputs = inputs.to(DEVICE)
        classes = classes.to(DEVICE)
        outputs = model(inputs)
        _, preds = torch.max(outputs, 1)
        for t, p in zip(classes.view(-1), preds.view(-1)):
                confusion_matrix[t.long(), p.long()] += 1

plt.figure(figsize=(15,10))

class_names = list(label2class.values())
df_cm = pd.DataFrame(confusion_matrix, index=class_names, columns=class_names).astype(int)
heatmap = sns.heatmap(df_cm, annot=True, fmt="d")

heatmap.yaxis.set_ticklabels(heatmap.yaxis.get_ticklabels(), rotation=0, ha='right',fontsize=15)
heatmap.xaxis.set_ticklabels(heatmap.xaxis.get_ticklabels(), rotation=45, ha='right',fontsize=15)
plt.ylabel('True label')
plt.xlabel('Predicted label')
;

---

那里的

数据加载程序是什么？当我使用我的
test\u loader
时，它是
torch.utils.data.DataLoader
类的一个实例，得到
TypeError:“DataLoader”对象是不可下标的
。为什么要调用t.long（）和p.long（）？@驴子，因为
只有整数、切片（`:`）、省略号（`…`），None和long或byte变量是插槽的有效索引
（行，列）

-它认为行和预测列，还是相反？请澄清

nb_classes = 9
confusion_matrix = np.zeros((nb_classes, nb_classes))
with torch.no_grad():
    for i, (inputs, classes) in enumerate(test_loader):
        inputs = inputs.to(DEVICE)
        classes = classes.to(DEVICE)
        outputs = model(inputs)
        _, preds = torch.max(outputs, 1)
        for t, p in zip(classes.view(-1), preds.view(-1)):
                confusion_matrix[t.long(), p.long()] += 1

plt.figure(figsize=(15,10))

class_names = list(label2class.values())
df_cm = pd.DataFrame(confusion_matrix, index=class_names, columns=class_names).astype(int)
heatmap = sns.heatmap(df_cm, annot=True, fmt="d")

heatmap.yaxis.set_ticklabels(heatmap.yaxis.get_ticklabels(), rotation=0, ha='right',fontsize=15)
heatmap.xaxis.set_ticklabels(heatmap.xaxis.get_ticklabels(), rotation=45, ha='right',fontsize=15)
plt.ylabel('True label')
plt.xlabel('Predicted label')
;