pytorch AUC/ROC

PyTorch中的AUC（Area Under the Curve）和ROC（Receiver Operating Characteristic）曲线是用来评估二分类模型性能的重要指标。AUC衡量的是真正例率（TPR，True Positive Rate）随着假正例率（FPR，False Positive Rate）变化的曲线下面积，值越大表示模型区分正负样本的能力越强。

ROC曲线是一条以FPR为横坐标、TPR为纵坐标的曲线，它显示了模型在所有可能的阈值下，各种FPR和TPR对的组合。45度线代表随机猜测的结果，而完全分开的曲线（TPR=1-FPR）意味着完美预测。

在PyTorch中，计算AUC通常通过`sklearn.metrics.roc_auc_score`函数，首先你需要对模型的预测概率或输出进行排序，并计算对应的真阳性率和假阳性率，然后将它们传入该函数计算AUC值。你可以使用`torch.sigmoid`函数获取softmax预测的概率，对于`logits`则需要先转换。

示例代码：

import torch
from sklearn import metrics

# 假设predictions是模型的sigmoid输出或logits
predictions = model(inputs).sigmoid() # 对于logits需要用sigmoid转换
true_labels = torch.tensor([0, 1, 0, 1])  # 真实标签

# 计算AUC和ROC曲线数据
fpr, tpr, _ = metrics.roc_curve(true_labels, predictions)
auc = metrics.roc_auc_score(true_labels, predictions)

# 可视化ROC曲线
plt.plot(fpr, tpr, label=f"AUC = {auc:.2f}")