pytorch中meter.ClassErrorMeter()使用方法

PyTorchNet从TorchNet迁移而来，其中提供了很多有用的工具，例如meter，meter提供了一些轻量级的工具，帮助用户快速计算训练过程中的一些指标。

AverageValueMeter能够计算所有数的平均值和标准差，同意几个epoch中损失的平均值。

ClassErrorMeter能够计算每个epoch下的类别错误率，在分类任务经常使用。

下面我们介绍下如何使用ClassErrorMeter()这个方法计算每个epoch的图像分类准确率，对于这个目的，我们可以通过定义变量，然后不断累加每个批次的数据，然后进行计算，但是现在有一个更好的工具，可以帮助我们实现这个操作。

首先使用meter.ClassErrorMeter()实例化一个类，该类可以想成内部有一个集合，里面会保存一些数据，并定义一些方法能够对这些数据进行处理来满足我们的要求，说白了就是把我们正常计算指标的代码封装到一个类中。

error_meter = meter.ClassErrorMeter()
1

我们只需要调用类的add函数不断将数据添加到其中即可，该函数有两个参数，分别是output和target，第一个参数是模型的softmax输出结果，第二个参数是对应的标签。

error_meter.add(output.detach(), labels)
1

然后等一个epoch的所有结果全部填入其中之后，就可以使用error_meter.value获得结果

error_meter.value()
1

但是注意一个问题，他计算的是错误率，如果想要正确率，那么需要用100减去它即可。

而且还需要注意一个问题，当我们处理完一个epoch之后，需要清空当前的信息，只需要调用reset()即可。

下面使用一个示例来说明如何使用：

for epoch in range(20):
    model.train()
    for data in tqdm(train_loader):
        images, labels = data
        optimizer.zero_grad()
        output = model(images)
        loss = loss_function(output, labels)
        loss.backward()
        optimizer.step()
        
        loss_meter.add(loss.item())
        error_meter.add(output.detach(), labels)

     # 打印信息
    print("【EPOCH: 】%s" % str(epoch + 1))
    print("训练集损失为%s" % (str(loss_meter.mean)))
    print("训练集精度为%s" % (str(100 - error_meter.value()[0]) + '%'))
    loss_meter.reset()
    error_meter.reset()
    
    
    model.eval()
    for data in tqdm(val_loader):
        images, labels = data
        optimizer.zero_grad()
        output = model(images)
        loss = loss_function(output, labels)
        loss.backward()
        optimizer.step()
        
        loss_meter.add(loss.item())
        error_meter.add(output.detach(), labels)

    print("【EPOCH: 】%s" % str(epoch + 1))
    print("验证集损失为%s" % (str(loss_meter.mean)))
    print("验证集精度为%s" % (str(100 - error_meter.value()[0]) + '%'))
    loss_meter.reset()
    error_meter.reset()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38