pytorch计算tp、fn、fp、tn

在使用PyTorch计算TP、FN、FP和TN时，可以利用PyTorch的支持numpy的特性来进行判断。下面是一个示例代码：

import torch

# 假设有两个张量，一个是预测值(predict)，一个是真实标签(label)
predict = torch.tensor([1, 0, 1, 0])  # 预测值
label = torch.tensor([1, 1, 0, 0])  # 真实标签

# 计算TP、FN、FP、TN
TP = ((predict == 1) & (label == 1)).sum().item()  # 预测为正例且真实为正例的数量
FN = ((predict == 0) & (label == 1)).sum().item()  # 预测为负例且真实为正例的数量
FP = ((predict == 1) & (label == 0)).sum().item()  # 预测为正例且真实为负例的数量
TN = ((predict == 0) & (label == 0)).sum().item()  # 预测为负例且真实为负例的数量

print(f"TP: {TP}, FN: {FN}, FP: {FP}, TN: {TN}")

在这个示例中，我们首先创建了两个张量`predict`和`label`，分别表示预测值和真实标签。然后，我们使用逻辑运算符和`sum()`函数来计算TP、FN、FP和TN的数量。最后，我们使用`item()`方法将结果转换为标量值，并打印出来。

请注意，这只是一个示例代码，你可以根据实际情况对代码进行修改和调整。<span class="em">1</span><span class="em">2</span>
#### 引用[.reference_title]
- *1* [在pytorch 中计算精度、回归率、F1 score等指标的实例](https://download.csdn.net/download/weixin_38720997/14858620)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* [如何用keras/tf/pytorch实现TP/TN/FP/FN和accuracy/sensiivity/precision/specificity/f1-score等评价指标...](https://blog.csdn.net/weixin_43509263/article/details/101638713)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]