pytorch 矩阵分解,pytorch混淆矩阵画图

　　混淆矩阵是绘制ROC曲线的基础，也是衡量分类模型准确性的最基本、最直观、最简单的方法。以下文章主要介绍pytorch分类模型绘制混淆矩阵及可视化的相关信息，有需要的可以参考。

目录

Step 1. 获取混淆矩阵

　　#首先定义一个空的分类号*分类号的混淆矩阵。

　　conf _ matrix=torch . zeros(Emotion_kinds，Emotion _ kinds)

　　#使用torch.no_grad()可以显著降低测试用例的GPU占用。

　　用torch.no_grad():

　　对于enumerate(test_loader):中的步骤(img，targets)

　　# imgs:火炬。尺寸([50，3，200，200])手电筒。漂浮者

　　# Targets: torch.size ([50，1])，torch.longtensor多了一个维度，我们要去掉。

　　targets=targets.squeeze() # [50，1] - [50]

　　#将变量转化为GPU

　　targets=targets.cuda()

　　imgs=imgs.cuda()

　　# print(step，imgs.shape，imgs.type()，targets.shape，targets.type())

　　out=模型(imgs)

　　#记录混淆矩阵参数

　　conf_matrix=confusion _ matrix(out，targets，conf _ matrix)

　　conf_matrix=conf_matrix.cpu()

　　混淆矩阵函数用于求解混淆矩阵，其定义如下：

　　def混淆矩阵(预编码，标签，配置矩阵):

　　preds=torch.argmax(preds，1)

　　对于邮政编码为：的邮政编码(预编码、标签)

　　conf_matrix[p，t]=1

　　返回配置矩阵

　　在我们的程序执行完test_loader之后，我们可以得到这个数据的混淆矩阵。接下来，我们必须计算正确的识别数并可视化混淆矩阵：

　　conf _ matrix=np . array(conf _ matrix . cpu())#将混淆矩阵从gpu转移到CPU，再转移到NP

　　corrections=conf _ matrix . diagonal(offset=0)#用于提取对角线的每个分类的正确识别数

　　per _ kinds=conf _ matrix . sum(axis=1)#提取每个分类数据的试纸条总数

　　Print(混淆矩阵的元素总数：{0}，测试集总数： {1} 。format (int (np.sum (conf _ matrix))，test _ num))

　　打印(会议矩阵)

　　#获得每种情绪的识别准确率

　　打印(每种情绪的总数：，per_kinds)

　　打印(每种情绪的正确预测数：，修正数)

　　打印(每种情绪的识别准确率为：{0} 。格式([rate * 100表示修正率/每种类型])

　　这一步的输出如下：

Step 2. 混淆矩阵可视化

　　将上面获得的混淆矩阵可视化。

　　#绘制混淆矩阵

　　Emotion=8#这个值是具体的分类号，可以自己修改。

　　标签=[中性，冷静，快乐，悲伤，焦虑，恐惧，尴尬，惊讶] #每个类别标签

　　#显示数据

　　plt.imshow(conf_matrix，cmap=plt.cm.Blues)

　　#在图中标出数量/概率信息。

　　Thresh=conf_matrix.max()/2#数字颜色阈值。如果数值超过这个，颜色会加深。

　　对于范围内的x(Emotion _ kinds):

　　对于范围(Emotion_kinds):中的y

　　#注意这里的matrix[y，x]不是matrix[x，y]

　　info=int(conf_matrix[y，x])

　　plt.text(x，y，info，

　　垂直对齐=居中，

　　horizontalalignment=居中，

　　color= white if info thresh else black )

　　Plt.tight_layout()#确保图形不重叠。

　　plt.yticks(范围(情感_种类)，标签)

　　Plt。x票(range (emotion _ kinds)，labels，rotation=45) # x轴字体倾斜45。

　　plt.show()

　　plt.close()

　　好了，这是最终的视觉混乱矩阵：

其它分类指标的获取

　　比如F1评分，TP，TN，FP，FN，精准率，召回率等指标都需要加上(因为还没用过)~

总结

　　关于pytorch分类模型绘制混淆矩阵及可视化的这篇文章到此为止。有关pytorch绘制混淆矩阵的更多信息，请搜索热门IT软件开发工作室之前的文章或继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。