pytorch分類模型繪制混淆矩陣及可視化的方法

本文小編為大家詳細介紹“pytorch分類模型繪制混淆矩陣及可視化的方法”，內容詳細，步驟清晰，細節處理妥當，希望這篇“pytorch分類模型繪制混淆矩陣及可視化的方法”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

Step 1. 獲取混淆矩陣

#首先定義一個 分類數*分類數 的空混淆矩陣
 conf_matrix = torch.zeros(Emotion_kinds, Emotion_kinds)
 # 使用torch.no_grad()可以顯著降低測試用例的GPU占用
    with torch.no_grad():
        for step, (imgs, targets) in enumerate(test_loader):
            # imgs:     torch.Size([50, 3, 200, 200])   torch.FloatTensor
            # targets:  torch.Size([50, 1]),     torch.LongTensor  多了一維，所以我們要把其去掉
            targets = targets.squeeze()  # [50,1] ----->  [50]

            # 將變量轉為gpu
            targets = targets.cuda()
            imgs = imgs.cuda()
            # print(step,imgs.shape,imgs.type(),targets.shape,targets.type())
            
            out = model(imgs)
            #記錄混淆矩陣參數
            conf_matrix = confusion_matrix(out, targets, conf_matrix)
            conf_matrix=conf_matrix.cpu()

混淆矩陣的求取用到了confusion_matrix函數，其定義如下：

def confusion_matrix(preds, labels, conf_matrix):
    preds = torch.argmax(preds, 1)
    for p, t in zip(preds, labels):
        conf_matrix[p, t] += 1
    return conf_matrix

在當我們的程序執行結束 test_loader 后，我們可以得到本次數據的 混淆矩陣，接下來就要計算其 識別正確的個數以及混淆矩陣可視化：

conf_matrix=np.array(conf_matrix.cpu())# 將混淆矩陣從gpu轉到cpu再轉到np
corrects=conf_matrix.diagonal(offset=0)#抽取對角線的每種分類的識別正確個數
per_kinds=conf_matrix.sum(axis=1)#抽取每個分類數據總的測試條數

 print("混淆矩陣總元素個數：{0},測試集總個數:{1}".format(int(np.sum(conf_matrix)),test_num))
 print(conf_matrix)

 # 獲取每種Emotion的識別準確率
 print("每種情感總個數：",per_kinds)
 print("每種情感預測正確的個數：",corrects)
 print("每種情感的識別準確率為：{0}".format([rate*100 for rate in corrects/per_kinds]))

執行此步的輸出結果如下所示：

Step 2. 混淆矩陣可視化

對上邊求得的混淆矩陣可視化

# 繪制混淆矩陣
Emotion=8#這個數值是具體的分類數，大家可以自行修改
labels = ['neutral', 'calm', 'happy', 'sad', 'angry', 'fearful', 'disgust', 'surprised']#每種類別的標簽

# 顯示數據
plt.imshow(conf_matrix, cmap=plt.cm.Blues)

# 在圖中標注數量/概率信息
thresh = conf_matrix.max() / 2	#數值顏色閾值，如果數值超過這個，就顏色加深。
for x in range(Emotion_kinds):
    for y in range(Emotion_kinds):
        # 注意這里的matrix[y, x]不是matrix[x, y]
        info = int(conf_matrix[y, x])
        plt.text(x, y, info,
                 verticalalignment='center',
                 horizontalalignment='center',
                 color="white" if info > thresh else "black")
                 
plt.tight_layout()#保證圖不重疊
plt.yticks(range(Emotion_kinds), labels)
plt.xticks(range(Emotion_kinds), labels,rotation=45)#X軸字體傾斜45°
plt.show()
plt.close()

好了，以下就是最終的可視化的混淆矩陣啦：

其它分類指標的獲取

例如 F1分數、TP、TN、FP、FN、精確率、召回率 等指標， 待補充哈（因為暫時還沒用到）~

讀到這里，這篇“pytorch分類模型繪制混淆矩陣及可視化的方法”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。