pytorch画roc曲线

要画ROC曲线，需要先计算出模型的真正率（TPR）和假正率（FPR），并以FPR为横坐标，TPR为纵坐标，绘制ROC曲线。下面是一个使用PyTorch实现的ROC曲线绘制的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 定义模型，这里使用一个简单的二分类模型作为例子
class BinaryClassifier(nn.Module):
    def __init__(self, input_size):
        super(BinaryClassifier, self).__init__()
        self.linear = nn.Linear(input_size, 1)
    
    def forward(self, x):
        x = self.linear(x)
        return torch.sigmoid(x)

# 定义数据集和数据加载器
X = np.random.rand(1000, 10)
y = np.random.randint(0, 2, size=(1000,))
dataset = torch.utils.data.TensorDataset(torch.tensor(X, dtype=torch.float32), torch.tensor(y, dtype=torch.float32))
dataloader = torch.utils.data.DataLoader(dataset, batch_size=32)

# 训练模型
model = BinaryClassifier(input_size=10)
criterion = nn.BCELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
for epoch in range(10):
    for inputs, labels in dataloader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels.unsqueeze(1))
        loss.backward()
        optimizer.step()

# 计算模型的预测结果和真实标签
model.eval()
with torch.no_grad():
    y_pred = []
    y_true = []
    for inputs, labels in dataloader:
        outputs = model(inputs)
        y_pred.append(outputs.numpy())
        y_true.append(labels.numpy())
    y_pred = np.concatenate(y_pred, axis=0)
    y_true = np.concatenate(y_true, axis=0)

# 计算ROC曲线和AUC值
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area=%0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic')
plt.legend(loc="lower right")
plt.show()

在这个示例中，我们使用一个简单的二分类模型对一个随机生成的数据集进行训练，并计算出模型的预测结果和真实标签。然后，使用`sklearn.metrics`中的`roc_curve`和`auc`函数计算出ROC曲线和AUC值，并使用`matplotlib`库绘制ROC曲线。