labels_pred = net(data_test');返回的并不是0，1标签

可能是因为你的网络输出并不是经过sigmoid函数或者softmax函数处理的概率值，而是一些其他的连续值或者离散值。如果你想要得到0/1标签，可以通过设置一个阈值，将网络输出大于阈值的视为1，小于阈值的视为0。具体的阈值可以根据你的实际情况进行调整，例如可以选择0.5作为阈值。下面是一段示例代码：

import torch

# 假设你的网络输出是一个大小为(n,1)的张量net_output

threshold = 0.5  # 阈值
labels_pred = torch.zeros_like(net_output)
labels_pred[net_output > threshold] = 1

这样就可以得到0/1标签了。如果网络输出是多分类问题，可以使用类似的方法，只需要将阈值改为一个数组，每个元素对应一个类别的阈值即可。

相关问题

y_pred, y_new = test(device, net, all_data_loader) cls_labels = get_classification_map(y_pred, y)

这是一个函数调用，其中test()函数接受三个参数：device, net, all_data_loader，返回两个值：y_pred和y_new。get_classification_map()函数接受两个参数：y_pred和y，返回一个分类映射表cls_labels。

解释这段代码for epochs in range(Epochs): loss_mean_train = 0 r2_mean_train = 0 loss_mean_test = 0 r2_mean_test = 0 model.train() for data_l in train_loader: seq, labels = data_l seq, labels = seq.to(device), labels.to(device) optimizer.zero_grad() y_pred = model(seq) labels = torch.squeeze(labels) single_loss = 0 r2_train = 0 for k in range(output_size): single_loss = single_loss + loss_function(y_pred[:, k], labels[:, k]) try: r2_train = r2_train+r2_score(y_pred[:, k].cpu().detach().numpy(), labels[:, k].cpu().detach().numpy()) except: r2_train = 0 single_loss /= output_size nn.utils.clip_grad_norm_(model.parameters(), 1.0) single_loss.backward() optimizer.step() r2_train /=output_size loss_mean_train += single_loss.item() r2_mean_train += r2_train scheduler.step() model.eval() for data_l in test_loader: single_loss = 0 r2_test = 0 seq, labels = data_l seq, labels = seq.to(device), labels.to(device) y_pred = model(seq) for k in range(output_size): single_loss = single_loss + loss_function(y_pred[:, k], labels[:, k]) try: r2_test = r2_test+r2_score(y_pred[:, k].cpu().detach().numpy(), labels[:, k].cpu().detach().numpy()) except: r2_test = 0 single_loss_test = single_loss / output_size r2_test /=output_size loss_mean_test += single_loss.item() r2_mean_test +=r2_test

这段代码是一个训练循环。首先，它设置了一些变量（loss_mean_train、r2_mean_train、loss_mean_test、r2_mean_test）用于记录训练和测试期间的损失和R2得分的平均值。

然后，它将模型设置为训练模式，遍历训练数据集中的批次，并对每个批次进行以下操作：

1.将批次中的序列和标签移动到所选设备上（如GPU）；

2.将优化器的梯度清零；

3.使用模型对序列进行预测；

4.计算每个标签的损失和R2得分；

5.将每个标签的损失求平均值，并将梯度传递回模型，并通过调用优化器来更新模型的参数。

在训练数据集的每个批次上完成这些操作后，代码会调用scheduler对象来更新学习率。

接下来，代码将模型设置为评估模式并遍历测试数据集中的批次，对每个批次执行以下操作：

1.将批次中的序列和标签移动到所选设备上（如GPU）；

2.使用模型对序列进行预测；

3.计算每个标签的损失和R2得分；

4.将每个标签的损失求平均值，并将其添加到测试集的平均损失中，并将R2得分添加到测试集的平均R2得分中。

最后，训练循环结束后，会返回损失和R2得分的平均值，以便在训练期间进行监控和评估。