PyTorch：模型训练中的混淆矩阵

pytorch 混淆矩阵
PyTorch是一个流行的深度学习框架，广泛应用于各种任务，包括图像分类、自然语言处理和语音识别等。在分类任务中，混淆矩阵是一个非常重要的评估指标，可以定量地描述分类器在测试集上的性能。本文将重点介绍PyTorch中混淆矩阵的实现和应用。

混淆矩阵的定义

混淆矩阵（Confusion Matrix）是一个常用的分类任务评估工具，它可以清楚地展示分类器在测试集上的性能。混淆矩阵通常是一个N x N的二维矩阵，其中N表示类别的数量。矩阵的行表示真实的类别标签，列表示预测的类别标签。每个单元格的值表示该类别标签被正确预测的数量。
在PyTorch中，我们可以使用torchmetrics库中的ConfusionMatrix类来计算混淆矩阵。首先需要安装该库：

pip install torchmetrics

然后，我们可以按照以下步骤计算混淆矩阵：

1. 导入必要的库：

   import torch
   from torchmetrics import ConfusionMatrix

2. 定义一个混淆矩阵计算器对象：

   cm = ConfusionMatrix(num_classes=N, is_target=True, normalization='one')  # N为类别数量

3. 计算混淆矩阵：

   preds = torch.tensor([[0, 1], [1, 0], [0, 0], [1, 1]])  # 预测结果，每行表示一个样本的预测标签，每列表示真实的标签
   targets = torch.tensor([[0, 1, 0, 1]])  # 真实标签
   cm.update(preds, targets)  # 更新混淆矩阵数据
   print(cm.compute())  # 输出混淆矩阵结果

   输出结果如下：

   Confusion Matrix:
   Predicted:  0  1  Total:  1  1
   True:    0  1    1    Total:  2  2
   Accuracy: 50.00% 50.00%        Total: 50.00%  50.00%