2024年4月4日发(作者：office产品密钥在哪)

pytorch accuracy函数

一、准确率的定义

准确率的计算方法为：

$$Acc=dfrac{TP+TN}{TP+FP+TN+FN}$$

其中，TP表示真正类（true positive），即模型预测为正类（positive）且实际上是

正类的样本数； TN表示真负类（true negative），即模型预测为负类（negative）且实

际上是负类的样本数； FP表示误报（false positive），即模型预测为正类但实际上是负

类的样本数； FN表示漏报（false negative），即模型预测为负类但实际上是正类的样本

数。

在PyTorch中，可以使用torchmetrics模块中的accuracy函数来计算准确率。

accuracy函数的定义如下：

```python

cy(preds: Tensor, target: Tensor, threshold:

float = 0.5, top_k: Optional[int] = None, multi_label: bool = False, num_classes:

Optional[int] = None) -> Tensor

```

其中，参数说明如下：

- preds(Tensor)：模型的输出结果，可以是概率值或者预测值（0或1，即二分类问

题中的正类和负类）。

- target(Tensor)：真实标签，一般是经过one-hot编码的张量，也可以是0或1的

标签。

- threshold(float，可选)：分类阈值，用于将模型输出的概率值转换为预测值。当

模型输出的概率大于等于分类阈值时，将其判定为正类，否则判定为负类。

- top_k(int，可选)：多分类问题中的k值，表示每个样本分类概率值的前k大的类

别算作正确预测。例如，当k=2时，只有模型输出的前两大分类概率值对应的类别与真实

标签相同，才算作正确预测。

- multi_label(bool，可选)：是否为多标签分类问题，即一个样本可以属于多个类别。

当multi_label为True时，preds和target的维度可以不一致。

- num_classes(int，可选)：分类问题的类别数。当num_classes为None时，根据模

型输出的维度自动推断类别数。

下面分别介绍基于预测值和概率值两种情况下的准确率计算。

三、基于预测值的准确率计算

在二分类问题中，模型输出的预测值为0或1，1表示正类的概率值大于分类阈值，0

表示负类的概率值大于等于分类阈值。由于预测值和真实标签都只有0或1两种情况，可

以直接计算TP、TN、FP和FN的数量，进而统计准确率。

下面以一个二分类任务的例子介绍如何使用accuracy函数计算准确率，并输出TP、

TN、FP和FN。

```python

import torch

import torchmetrics

# 定义模型输出的预测值和真实标签

preds = ([1, 1, 0, 0, 1, 0, 0, 1, 1, 1])

target = ([0, 1, 0, 1, 0, 1, 1, 1, 0, 1])

# 将预测值和真实标签转换为字符串类型并打印

preds_str = ''.join([str(x) for x in ()])

target_str = ''.join([str(x) for x in ()])

print('Predictions:', preds_str)

print('Targets: ', target_str)

# 使用accuracy函数计算准确率

acc = cy(preds, target)

print('Accuracy: ', acc)

在上述代码中，我们首先定义了模型输出的预测值和真实标签，然后通过accuracy函

数计算准确率。最后，还使用了tp、tn、fp和fn等函数计算了模型的分类指标。

使用上述代码运行，输出结果如下：

```

Predictions: 1100100111

Targets:

Accuracy: 0.6

TP: 3, TN: 3, FP: 2, FN: 2

```

从输出结果可以看出，模型的准确率为0.6，即分类正确的样本数占总样本数的60%。

同时，我们还可以得到每个TP、TN、FP和FN的数量，从而更加具体地了解分类指标的情

况。

在二分类问题中，模型输出的概率值可以被转换为0或1的预测值。例如，在分类阈

值为0.5时，预测值为1，当分类阈值为0.3时，预测值为1的样本可能变为预测值为0。

因此，在基于概率值计算准确率时，需要指定分类阈值，将概率值转换为0或1的预测

值。

# 将概率值转换为预测值

threshold = 0.5

preds = (probs >= threshold).long()

与基于预测值计算准确率的结果相同，说明基于概率值的准确率计算与基于预测值的

准确率计算等效。

五、多分类问题中准确率的计算

对于多分类问题，准确率的计算稍微复杂一些。在多分类问题中，模型输出的可以是

多个概率值，且每个样本只能属于一个类别。为了计算准确率，我们需要将模型输出的概

率值转换为预测类别，并与真实标签进行比较。可以使用各种方法将概率值转换为预测类

别，例如选择概率最大的类别作为预测类别、选择前k个概率值最大的类别作为预测类别

等。在torchmetrics模块中，可以使用accuracy函数的top_k参数指定k值，来计算前k

个概率值最大的类别作为预测类别的准确率。

六、总结

本篇文章介绍了如何使用PyTorch中的accuracy函数来计算模型在测试集上的准确率。

首先，我们介绍了准确率的定义和计算方法。其次，我们详细介绍了accuracy函数的使用

方法，并分别介绍了基于预测值和概率值两种方式计算准确率的实现。最后，我们通过一

个多分类任务的例子，介绍了accuracy函数的top_k参数和如何输出模型的分类指标。