torcheval.metrics.functional.topk_multilabel_accuracy¶

torcheval.metrics.functional.topk_multilabel_accuracy(input: Tensor, target: Tensor, *, criteria: str = 'exact_match', k: int = 2) → Tensor¶

计算多标签准确率分数，即预测的前k个标签与目标匹配的频率。其类版本为torcheval.metrics.TopKMultilabelAccuracy。

Parameters:

input (Tensor) – 具有形状 (n_sample, n_class) 的 logits/概率张量。
target (Tensor) – 形状为 (n_sample, n_class) 的真实标签张量。
criteria –
[default] (- 'exact_match') – 为样本预测的前k个标签集必须与目标中的相应标签集完全匹配。也称为子集准确性。
'hamming' (-) – 前k个正确标签占总标签数的比例。
'overlap' (-) – 为样本预测的前k个标签集必须与目标中的相应标签集重叠。
'contain' (-) – 为样本预测的前k个标签集必须包含目标中的相应标签集。
'belong' (-) – 为样本预测的前k个标签集必须（完全）属于目标中的相应标签集。
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。

示例：

>>> import torch
>>> from torcheval.metrics.functional import topkmultilabel_accuracy
>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> topkmultilabel_accuracy(input, target, k = 2)
tensor(0)  # 0 / 4

>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> topkmultilabel_accuracy(input, target, criteria="hamming", k = 2)
tensor(0.583)  # 7 / 12

>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> topkmultilabel_accuracy(input, target, criteria="overlap", k = 2)
tensor(1)  # 4 / 4

>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> topkmultilabel_accuracy(input, target, criteria="contain", k = 2)
tensor(0.5)  # 2 / 4

>>> input = torch.tensor([[0.1, 0.5, 0.2], [0.3, 0.2, 0.1], [0.2, 0.4, 0.5], [0, 0.1, 0.9]])
>>> target = torch.tensor([[1, 1, 0], [0, 1, 0], [1, 1, 1], [0, 1, 0]])
>>> topkmultilabel_accuracy(input, target, criteria="belong", k = 2)
tensor(0.25)  # 1 / 4