each

BCELoss CLASS torch.nn. BCELoss ( weight=None , size_average=None , reduce=None , reduction='mean' ) 创建一个标准来度量目标和输出之间的二进制交叉熵。 unreduced (i.e. with reduction set to 'none' ) 时该损失描述为： 其中N是批尺寸， 如果 reduction 不是 'none' (默认为 'mean' ), 则： 即，对批次中各样本损失求均值或求和。 其可以用来测量重构误差，例如一个自编码器。 注意目标y应该是0到1之间的数字。 Parameters： weight ( Tensor , optional ) – a manual rescaling weight given to the loss of each batch element. If given, has to be a Tensor of size nbatch . size_average ( bool , optional ) –（已弃用） Deprecated (see reduction ). By default, the losses are averaged over each loss element in the batch. Note that

我们接下来使用sklearn.metrics 提供的混淆矩阵的计算 from sklearn.metrics import confusion_matrix #引用方式 y_true = [2, 0, 2, 2, 0, 1] y_pred = [0, 0, 2, 2, 0, 2] confusion_matrix(y_true, y_pred)#官方提供的示例代码 然后就得到了多类别的混淆矩阵，其实多类别和二类别的混淆矩阵只是在计算一些变量的时候复杂 实现代码如下,分别计算 Recall或Sensitivity，Positive predictive value (PPV),speciall，其实这个是改变自https://blog.csdn.net/u012193416/article/details/79454351，但是他错了，导致我前几次都算错了，所以我才写了这一篇更正一下，我也提醒了这位博主。 confusion = confusion_matrix(y_true, y_pred) print(confusion) list_diag = np.diag(confusion) print('list_diag=', list_diag) list_raw_sum = np.sum(confusion, axis=1) print('list_raw_sum=', list