torchvision.metrics as metrics

### 正确导入和使用 `torchvision.metrics` 进行模型评估 #### 导入库 要使用 `torchvision.metrics` 模块来进行模型评估，首先需要确保已经安装了最新的 torchvision 版本。可以通过 pip 来完成安装： ```bash pip install --upgrade torchvision ``` 接着，在 Python 脚本或 Jupyter Notebook 中引入必要的模块。 ```python import torch from torchvision import models, transforms from torchvision.datasets import CIFAR10 from torch.utils.data import DataLoader from torchvision import metrics as tv_metrics # 导入metrics模块 ``` #### 数据准备 为了展示如何应用这些度量标准，这里构建了一个简单的例子，其中包含了数据加载的过程。 ```python transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) train_dataset = CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = CIFAR10(root='./data', train=False, download=True, transform=transform) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) ``` #### 创建并训练简单模型 下面定义一个基础的卷积神经网络，并对其进行快速训练以便后续测试。 ```python model = models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, 10) # 修改最后一层适应CIFAR-10分类任务 device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(2): # 只做两个epoch简化演示过程 for inputs, labels in train_loader: optimizer.zero_grad() outputs = model(inputs.to(device)) loss = criterion(outputs, labels.to(device)) loss.backward() optimizer.step() ``` #### 使用 `torchvision.metrics` 计算评价指标 现在可以利用 `torchvision.metrics` 提供的功能来计算一些常见的性能指标，比如准确率、混淆矩阵等。 ```python # 初始化metric对象 accuracy_metric = tv_metrics.Accuracy().to(device) with torch.no_grad(): for images, targets in test_loader: predictions = model(images.to(device)).argmax(dim=-1) accuracy_metric.update(predictions, targets.to(device)) print(f'Test Accuracy: {accuracy_metric.compute()}') ``` 上述代码展示了如何通过 `torchvision.metrics` 对象收集预测结果并与目标标签对比从而得到最终的准确性得分[^1]。