语义分割生成混淆矩阵

    def update(self, a, b):
        n = self.num_classes  
        if self.mat is None:
            self.mat = torch.zeros((n, n), dtype=torch.int64, device=a.device)
        with torch.no_grad():
            k = (a >= 0) & (a < n)  # 0，1
            inds = n * a[k].to(torch.int64) + b[k]
            self.mat += torch.bincount(inds, minlength=n**2).reshape(n, n)
1
2
3
4
5
6
7
8

这是语义分割生成混淆矩阵的代码，详细流程：

1、传入参数a为 target.flatten(),b为 output.argmax(1).flatten()，b为模型预测值，找到概率最大的索引值作为最终预测值，所以会用到.argmax(1)

2、初始化混淆矩阵，大小为n×n

3、k返回的是一个布尔类型的一维向量，超过或小于类别范围返回False

4、根据k中False的索引值，将真实标签对应位置元素丢掉，即a[k]的长度可能会小于a，并且根据有意义的真实标签索引值找到对应预测值进行计算，乘以n相当于flatten的逆过程，方便reshape之后变成一个n×n矩阵