torcheval.metrics.AUC

class torcheval.metrics.AUC(*, reorder: bool = True, n_tasks: int = 1, device: device | None = None)

使用梯形法则计算曲线下面积（AUC）。支持x和y为二维张量，每一行被视为其自己的x和y坐标列表，返回的一维张量应包含每行计算的AUC。

参数: reorder (bool): 为AUC计算重新排序输入张量。默认值为True。 num_tasks (int): 需要AUC计算的任务数量。默认值为1。

>>> from torcheval.metrics.aggregation.auc import AUC

>>> metric = AUC()
>>> metric.update(torch.tensor([0,.2,.3,.1]), torch.tensor([1,1,1,1]))
>>> metric.compute()
tensor([0.3000])
>>> metric.reset()
>>> metric.update(torch.tensor([0,.1,.13,.2]), torch.tensor([1,1,2,4]))
>>> metric.update(torch.tensor([1.,2.,.1, 3.]), torch.tensor([1,2,3,2]))
>>> metric.compute()
tensor([5.8850])
>>> metric = AUC(n_tasks=2) # n_tasks should be equal to first dimension of x, y in update()
>>> x = torch.tensor([[0.3941, 0.2980, 0.3080],
                      [0.1448, 0.6090, 0.2462]])
>>> y = torch.tensor([[1, 0, 4],
                      [0, 4, 2]])
>>> metric.update(x, y)
>>> x1 = torch.tensor([[0.4562, 0.1200, 0.4238],
                       [0.4076, 0.4448, 0.1476]])
>>> y1 = torch.tensor([[3, 4, 3],
                       [2, 0, 4]])
>>> metric.update(x1, y1)
>>> metric.compute()
tensor([0.7479, 0.9898])

__init__(*, reorder: bool = True, n_tasks: int = 1, device: device | None = None) → None

初始化一个度量对象及其内部状态。

使用 self._add_state() 来初始化你的度量类的状态变量。 状态变量应该是 torch.Tensor，一个 torch.Tensor 的列表，一个以 torch.Tensor 为值的字典， 或者一个 torch.Tensor 的双端队列。

方法

__init__(*[, reorder, n_tasks, device])	初始化一个度量对象及其内部状态。
compute()	根据先前传递给update的输入计算AUC。
load_state_dict(state_dict[, strict])	从state_dict加载度量状态变量。
merge_state(metrics)	实现此方法以将当前度量的状态变量更新为当前度量和输入度量的合并状态。
reset()	将度量状态变量重置为其默认值。
state_dict()	将度量状态变量保存在state_dict中。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备。
update(x, y)	更新并返回计算曲线下面积所需的变量。

属性

device

Metric.to()的最后一个输入设备。