pytorch加入混淆矩阵

在PyTorch中，混淆矩阵（Confusion）是一种常用的评估分类模型性能的工具。它可以帮助我们了解模型在不同类别上的预测情，进而计算出准确率、召回率、精确率等指标。

要在PyTorch中使用混淆矩阵，可以按照以下步骤进行操作：

1. 导入必要的库：

import torch
import numpy as np
from sklearn.metrics import confusion_matrix

2. 定义模型和数据加载器：

# 定义模型
model = YourModel()

# 定义数据加载器
data_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=False)

3. 运行模型并收集预测结果和真实标签：

# 设置模型为评估模式
model.eval()

# 初始化预测结果和真实标签列表
preds = []
labels = []

# 遍历数据加载器
for inputs, targets in data_loader:
    # 将输入数据传入模型进行预测
    outputs = model(inputs)
    _, predicted = torch.max(outputs.data, 1)
    
    # 将预测结果和真实标签添加到列表中
    preds.extend(predicted.tolist())
    labels.extend(targets.tolist())

4. 计算混淆矩阵：

# 将预测结果和真实标签转换为NumPy数组
preds = np.array(preds)
labels = np.array(labels)

# 计算混淆矩阵
cm = confusion_matrix(labels, preds)

现在，你可以使用混淆矩阵来计算各种分类模型的性能指标，比如准确率、召回率、精确率等。