如何在忽略类中使用 pytorch 闪电精度？答案

【问题标题】：How to use pytorch lightning Accuracy with ignore class?如何在忽略类中使用 pytorch 闪电精度？
【发布时间】：2021-07-04 05:05:13
【问题描述】：

我有一些使用 CrossEntropyLoss 和忽略类的训练管道。

模型输出 log_probs 形状 (150, 3) - 表示 3 个可能的类，每批 150 个。

label_batch 的形状为 150，torch.max(label_batch) == tensor(3, device='cuda:0')，这意味着有一个标记为 3 的额外类，即忽略类。

损失处理得很好：

self._criterion = nn.CrossEntropyLoss(
    reduction='mean',
    ignore_index=3
)

但是准确度指标认为3 类是有效的并且给出了非常错误的结果：

self.train_acc = pl.metrics.Accuracy()

由于3 标签导致self.train_acc.update(log_probs, label_batch) 的错误结果应被忽略。

如何正确使用 pl.metrics.Accuracy() 和忽略类？

【问题讨论】：

标签： python machine-learning deep-learning pytorch pytorch-lightning

【解决方案1】：

复制github论坛https://github.com/PyTorchLightning/pytorch-lightning/discussions/6890讨论帖的回复

准确度指标目前不支持它，但我们有一个开放的 PR 用于实现该精确功能 PyTorchLightning/metrics#155

目前您可以改为计算混淆矩阵，然后基于此忽略一些类别（请记住，真正的正分类/正确分类位于混淆矩阵的对角线上）：

ignore_index = 3
metric = ConfusionMatrix(num_classes=3)
confmat = metric(preds, target)
confmat = confmat[:2,:2] # remove last column and row corresponding to class 3
acc = confmat.trace() / confmat.sum()

【讨论】：

谢谢！这是一个很好的答案，但让我想知道为什么所有指标都不是基于ConfusionMatrix？只有更新应该去矩阵，然后它应该有一些属性，如accuracy、f1、mcc。为什么它们不同？
另外我最终做的（在阅读本文之前）是ignored_inds = label_batch == self._ignore_class_num 和acc.update(log_probs[~ignored_inds, :], label_batch[~ignored_inds])。有意义吗？