pytorch分类模型模糊矩阵的绘制与可视化Step 1.模糊矩阵的获取#首先定义一个分类数*分类数的模糊矩阵conf _ matrix=torch.zeros (emotion _ kinds， 使用Emotion_kinds(#torch.no_grad )，可以显著降低测试用例的GPU占有率with torch.no_grad ) : for step，(imgs )。 targets (in enumerate (test _ loader ) : # imgs : torch.size ([ 50，3，200， 200] ) torch.float tensor # target ts torch.long tensor一维较多，因此targets=targets.squeeze (# [ 50，1 ]---- [ 50 ] # ) imgs.type (，targets.shape，targets.type ) ) out=model ) imgs ) conf_matrix=confusion记录混淆矩阵参数
defconfusion_matrix(preds，labels，conf_matrix ) :preds=torch.argmax(preds，1 ) for p，tinzip ) preds， linzip t] =1 return conf_matrix我们的程序运行结束后，我们可以得到这次数据的模糊矩阵，然后计算其识别正确的个数和模糊矩阵的可视化。
从conf _ matrix=NP.array (conf _ matrix.CPU ) ) gpu到CPU，再到NP corrects=conf _ matrix.diagonal ) offset=0 测试集总数：) )、格式) int(NP.sum ) conf_matrix、test_num((print(conf_matrix ) ) Emotion的识别精度
Step 2.混淆矩阵的可视化在上边求出的混淆矩阵的可视化
#混淆矩阵Emotion=8#是具体的分类数，labels=['neutral '、' calm '、' happy '、' sad '、' angry '、' fearful '， 可以自己修改“disgust”的“surprised']#每种标签#显示数据PLT.imshow(conf_matrix， 在cmap=plt.cm.Blues )图中填写数量/概率信息thresh=conf _ matrix.max forxinrange (emotion _ kinds ) 3360 foryinrange emotion y ]请注意，y]info=info，垂直对齐=' center '，水平对齐=' center '， 避免color=' white ' ifinfothreshelse ' black ' (PLT.tight _ layout ) #图与PLT.yticks(range ) emotion_kinds )重叠
其他分类指标的获取，如F1得分、TP、TN、FP、FN、准确率、召回率等指标，尚未使用，我们将予以补充~