pytorch分类模型绘制混淆矩阵以及可视化详解 pytorch分类模型绘制混淆矩阵以

Step 1. 获取混淆矩阵
Step 2. 混淆矩阵可视化
其它分类指标的获取
总结

Step 1. 获取混淆矩阵

#首先定义一个分类数*分类数的空混淆矩阵 conf_matrix = torch.zeros(Emotion_kinds, Emotion_kinds) # 使用torch.no_grad()可以显著降低测试用例的GPU占用with torch.no_grad():for step, (imgs, targets) in enumerate(test_loader):# imgs:torch.Size([50, 3, 200, 200])torch.FloatTensor# targets:torch.Size([50, 1]),torch.LongTensor多了一维，所以我们要把其去掉targets = targets.squeeze()# [50,1] ----->[50]# 将变量转为gputargets = targets.cuda()imgs = imgs.cuda()# print(step,imgs.shape,imgs.type(),targets.shape,targets.type())out = model(imgs)#记录混淆矩阵参数conf_matrix = confusion_matrix(out, targets, conf_matrix)conf_matrix=conf_matrix.cpu()

混淆矩阵的求取用到了confusion_matrix函数，其定义如下：

def confusion_matrix(preds, labels, conf_matrix):preds = torch.argmax(preds, 1)for p, t in zip(preds, labels):conf_matrix[p, t] += 1return conf_matrix

在当我们的程序执行结束 test_loader 后，我们可以得到本次数据的混淆矩阵，接下来就要计算其识别正确的个数以及混淆矩阵可视化：

conf_matrix=np.array(conf_matrix.cpu())# 将混淆矩阵从gpu转到cpu再转到npcorrects=conf_matrix.diagonal(offset=0)#抽取对角线的每种分类的识别正确个数per_kinds=conf_matrix.sum(axis=1)#抽取每个分类数据总的测试条数 print("混淆矩阵总元素个数：{0},测试集总个数:{1}".format(int(np.sum(conf_matrix)),test_num)) print(conf_matrix) # 获取每种Emotion的识别准确率 print("每种情感总个数：",per_kinds) print("每种情感预测正确的个数：",corrects) print("每种情感的识别准确率为：{0}".format([rate*100 for rate in corrects/per_kinds]))

执行此步的输出结果如下所示：

文章图片

Step 2. 混淆矩阵可视化对上边求得的混淆矩阵可视化

# 绘制混淆矩阵Emotion=8#这个数值是具体的分类数，大家可以自行修改labels = ['neutral', 'calm', 'happy', 'sad', 'angry', 'fearful', 'disgust', 'surprised']#每种类别的标签# 显示数据plt.imshow(conf_matrix, cmap=plt.cm.Blues)# 在图中标注数量/概率信息thresh = conf_matrix.max() / 2 #数值颜色阈值，如果数值超过这个，就颜色加深。for x in range(Emotion_kinds):for y in range(Emotion_kinds):# 注意这里的matrix[y, x]不是matrix[x, y]info = int(conf_matrix[y, x])plt.text(x, y, info,verticalalignment='center',horizontalalignment='center',color="white" if info > thresh else "black")plt.tight_layout()#保证图不重叠plt.yticks(range(Emotion_kinds), labels)plt.xticks(range(Emotion_kinds), labels,rotation=45)#X轴字体倾斜45°plt.show()plt.close()

好了，以下就是最终的可视化的混淆矩阵啦：