pytorch 多分類問題,計算百分比操作
更新時間：2020年07月09日 09:49:01 作者：風澤茹嵐
這篇文章主要介紹了pytorch 多分類問題,計算百分比操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
二分類或分類問題，網(wǎng)絡輸出為二維矩陣：批次x幾分類，最大的為當前分類，標簽為one-hot型的二維矩陣：批次x幾分類
計算百分比有numpy和pytorch兩種實現(xiàn)方案實現(xiàn)，都是根據(jù)索引計算百分比，以下為具體二分類實現(xiàn)過程。
pytorch
out = torch.Tensor([[0,3],
[2,3],
[1,0],
[3,4]])
cond = torch.Tensor([[1,0],
[0,1],
[1,0],
[1,0]])
persent = torch.mean(torch.eq(torch.argmax(out, dim=1), torch.argmax(cond, dim=1)).double())
print(persent)
numpy
out = [[0, 3], [2, 3], [1, 0], [3, 4]] cond = [[1, 0], [0, 1], [1, 0], [1, 0]] a = np.argmax(out,axis=1) b = np.argmax(cond, axis=1) persent = np.mean(np.equal(a, b) + 0) # persent = np.mean(a==b + 0) print(persent)
補充知識：python 多分類畫auc曲線和macro-average ROC curve
最近幫一個人做了一個多分類畫auc曲線的東西，不過最后那個人不要了，還被說了一頓，心里很是不爽，anyway，我寫代碼的還是要繼續(xù)寫代碼的，所以我準備把我修改的代碼分享開來，供大家研究學習。處理的數(shù)據(jù)大改是這種xlsx文件：
IMAGE y_real y_predict 0其他 1豹紋 2彌漫 3斑片 4黃斑 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM005111 (Copy).jpg 0 0 1 8.31E-19 7.59E-13 4.47E-15 2.46E-14 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM005201 (Copy).jpg 0 0 1 5.35E-17 4.38E-11 8.80E-13 3.85E-11 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM004938 (4) (Copy).jpg 0 0 1 1.20E-16 3.17E-11 6.26E-12 1.02E-11 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM004349 (3) (Copy).jpg 0 0 1 5.66E-14 1.87E-09 6.50E-09 3.29E-09 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM004673 (5) (Copy).jpg 0 0 1 5.51E-17 9.30E-12 1.33E-13 2.54E-12 /mnt/AI/HM/izy20200531c5/299/train/0其他/IM004450 (5) (Copy).jpg 0 0 1 4.81E-17 3.75E-12 3.96E-13 6.17E-13
導入基礎的pandas和keras處理函數(shù)
import pandas as pd
from keras.utils import to_categorical
導入數(shù)據(jù)
data=pd.read_excel('5分類新.xlsx')
data.head()
導入機器學習庫
from sklearn.metrics import precision_recall_curve import numpy as np from matplotlib import pyplot from sklearn.metrics import f1_score from sklearn.metrics import roc_curve, auc
把ground truth提取出來
true_y=data[' y_real'].to_numpy()
true_y=to_categorical(true_y)
把每個類別的數(shù)據(jù)提取出來
PM_y=data[[' 0其他',' 1豹紋',' 2彌漫',' 3斑片',' 4黃斑']].to_numpy()
PM_y.shape
計算每個類別的fpr和tpr
n_classes=PM_y.shape[1] fpr = dict() tpr = dict() roc_auc = dict() for i in range(n_classes): fpr[i], tpr[i], _ = roc_curve(true_y[:, i], PM_y[:, i]) roc_auc[i] = auc(fpr[i], tpr[i])
計算macro auc
from scipy import interp # First aggregate all false positive rates all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)])) # Then interpolate all ROC curves at this points mean_tpr = np.zeros_like(all_fpr) for i in range(n_classes): mean_tpr += interp(all_fpr, fpr[i], tpr[i]) # Finally average it and compute AUC mean_tpr /= n_classes fpr["macro"] = all_fpr tpr["macro"] = mean_tpr roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])
畫圖
import matplotlib.pyplot as plt
from itertools import cycle
from matplotlib.ticker import FuncFormatter
lw = 2
# Plot all ROC curves
plt.figure()
labels=['Category 0','Category 1','Category 2','Category 3','Category 4']
plt.plot(fpr["macro"], tpr["macro"],
label='macro-average ROC curve (area = {0:0.4f})'
''.format(roc_auc["macro"]),
color='navy', linestyle=':', linewidth=4)
colors = cycle(['aqua', 'darkorange', 'cornflowerblue','blue','yellow'])
for i, color in zip(range(n_classes), colors):
plt.plot(fpr[i], tpr[i], color=color, lw=lw,
label=labels[i]+'(area = {0:0.4f})'.format(roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('1-Specificity (%)')
plt.ylabel('Sensitivity (%)')
plt.title('Some extension of Receiver operating characteristic to multi-class')
def to_percent(temp, position):
return '%1.0f'%(100*temp)
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))
plt.gca().xaxis.set_major_formatter(FuncFormatter(to_percent))
plt.legend(loc="lower right")
plt.show()
展示
上述的代碼是在jupyter中運行的，所以是分開的
以上這篇pytorch 多分類問題,計算百分比操作就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
這篇文章主要介紹了keras建模的3種方式詳解,keras是Google公司于2016年發(fā)布的以tensorflow為后端的用于深度學習網(wǎng)絡訓練的高階API,因接口設計非常人性化,深受程序員的喜愛,需要的朋友可以參考下2023-08-08
Python+OpenCV實現(xiàn)基本的圖像處理操作
說到圖像處理，那必然要提到opencv模塊了。本文將從最基本的opencv模塊在圖像的基本操作上說起，利用Python+OpenCV實現(xiàn)圖像的讀取保存等，感興趣的可以了解一下2022-07-07
json 轉(zhuǎn) mot17數(shù)據(jù)格式的實現(xiàn)代碼 (親測有效)
這篇文章主要介紹了json 轉(zhuǎn) mot17數(shù)據(jù)格式的實現(xiàn)代碼 (親測有效),本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-03-03
這篇文章主要介紹了Python要求O(n)復雜度求無序列表中第K的大元素實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04
本文主要介紹了python?http通信接口開發(fā)示例，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-04-04
Python使用Tkinter實現(xiàn)滾動抽獎器效果
Tkinter 是 Python 的標準 GUI(Graphical User Interface，圖形用戶接口)庫，Python 使用 Tkinter 可以快速地創(chuàng)建 GUI 應用程序。這篇文章主要介紹了Python使用Tkinter實現(xiàn)滾動抽獎器,需要的朋友可以參考下2020-01-01
今天小編就為大家分享一篇使用python實現(xiàn)ftp的文件讀寫方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
詳解python中的lambda與sorted函數(shù)
這篇文章主要介紹了python中的lambda與sorted函數(shù)的相關資料，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-09-09
Python for循環(huán)可以遍歷任何序列的項目，如一個列表或者一個字符串。這篇文章主要介紹了python的for循環(huán),需要的朋友可以參考下2018-09-09
這篇文章主要介紹了Python matplotlib以日期為x軸作圖代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-11-11