torcheval.metrics.functional.multiclass_accuracy¶

torcheval.metrics.functional.multiclass_accuracy(input: Tensor, target: Tensor, *, average: str | None = 'micro', num_classes: int | None = None, k: int = 1) → Tensor¶

计算准确率分数，即输入与目标匹配的频率。其类版本为 torcheval.metrics.MultiClassAccuracy。

Parameters:

input (Tensor) – 标签预测的张量它可以是预测的标签，形状为 (n_sample, )。它也可以是概率或logits，形状为 (n_sample, n_class)。 torch.argmax 将用于将输入转换为预测标签。
target (Tensor) – 形状为 (n_sample, ) 的真实标签张量。
average –
- 'micro' [默认]:
  全局计算指标。
- 'macro':
  为每个类别单独计算指标，并返回它们的未加权平均值。忽略真实实例为0的类别。
- None:
  为每个类别单独计算指标，并返回每个类别的指标。如果某个类别在target中没有样本，则返回NaN。
num_classes – 类别数量。对于'macro'和None平均方法是必需的。
k – 要考虑的顶部概率的数量。K 应该是一个大于或等于 1 的整数。如果 k >1，输入张量必须包含每个类别的概率或对数几率。

示例：

>>> import torch
>>> from torcheval.metrics.functional import multiclass_accuracy
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_accuracy(input, target)
tensor(0.5)
>>> multiclass_accuracy(input, target, average=None, num_classes=4)
tensor([1., 0., 0., 1.])
>>> multiclass_accuracy(input, target, average="macro", num_classes=4)
tensor(0.5)
>>> input = torch.tensor([[0.9, 0.1, 0, 0], [0.1, 0.2, 0.4, 0,3], [0, 1.0, 0, 0], [0, 0, 0.2, 0.8]])
>>> multiclass_accuracy(input, target)
tensor(0.5)