pytorch怎么画出混淆矩阵

在PyTorch中，你可以使用混淆矩阵来评估深度学习模型在分类问题上的性能。下面是一个示例代码，展示如何使用PyTorch和Matplotlib库来计算和可视化混淆矩阵：

import torch
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

# 假设你有实际标签和预测标签的Tensor
y_true = torch.tensor([0, 1, 1, 2, 0, 2, 1])
y_pred = torch.tensor([0, 1, 2, 2, 0, 1, 1])

# 将Tensor转换为numpy数组
y_true = y_true.numpy()
y_pred = y_pred.numpy()

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 可视化混淆矩阵
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()
tick_marks = np.arange(len(np.unique(y_true)))
plt.xticks(tick_marks, np.unique(y_true))
plt.yticks(tick_marks, np.unique(y_true))
plt.xlabel('Predicted')
plt.ylabel('Actual')

# 添加数值标签
thresh = cm.max() / 2.0
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        plt.text(j, i, format(cm[i, j], 'd'),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

plt.show()

在上述代码中，我们首先将PyTorch的Tensor转换为NumPy数组，然后使用sklearn库中的`confusion_matrix`函数计算混淆矩阵。接下来，我们使用Matplotlib库绘制热力图来可视化混淆矩阵。最后，我们添加数值标签以显示每个格子的分类数量。