首页
/ PyTorch Lightning中多分类准确率计算的正确使用方式

PyTorch Lightning中多分类准确率计算的正确使用方式

2025-05-05 14:53:45作者:苗圣禹Peter

在使用PyTorch Lightning进行深度学习模型训练时,准确率计算是一个关键指标。本文将深入探讨如何正确使用torchmetrics.Accuracy进行多分类任务的准确率评估,特别是当遇到数据顺序影响准确率计算结果时的解决方案。

问题现象

在构建一个猫狗分类的CNN模型时,开发者发现了一个奇怪的现象:手动计算的测试准确率约为80-85%,而使用torchmetrics.Accuracy计算的结果却只有40%左右。更令人困惑的是,当启用测试数据的shuffle时,torchmetrics的计算结果又变得正确了。

问题根源分析

经过深入调查,发现问题出在准确率的计算方式上。在多分类任务中,torchmetrics.Accuracy默认会计算每个类别的准确率,然后进行平均(macro平均)。当测试数据没有shuffle时,可能会出现一个batch中全是同一类别的情况:

  1. 如果一个batch全是猫的图片,模型对猫的预测准确率会被正确计算
  2. 但对狗的预测准确率会显示为0(因为该batch中没有狗)
  3. 最终准确率会被平均为(100% + 0%)/2 = 50%

这种batch级别的计算方式会导致整体准确率被低估,特别是当数据分布不均匀且没有shuffle时。

解决方案

正确的做法是让torchmetrics.Accuracy在整个epoch上累积统计信息,而不是在每个batch上单独计算。在PyTorch Lightning中,可以通过以下方式实现:

def test_step(self, batch, batch_idx):
    images, labels = batch
    predictions = self(images)
    predictions_softmax = F.softmax(predictions, dim=1)
    
    # 更新准确率统计
    self.accuracy(predictions_softmax, labels)
    
    # 正确记录准确率指标
    self.log('test_acc', self.accuracy, on_step=True, on_epoch=True)

关键区别在于:

  1. 直接传递self.accuracy对象给log方法,而不是传递计算结果
  2. 这样Lightning会在整个epoch上累积统计信息,给出更准确的全局准确率

深入理解

torchmetrics的设计理念是维护一个内部状态,跟踪整个评估过程中的所有相关信息。当直接传递self.accuracy对象时,Lightning会:

  1. 在每个batch更新内部统计量(真正例、假正例等)
  2. 在epoch结束时基于所有batch的统计量计算最终指标
  3. 避免了batch间不平衡带来的偏差

最佳实践建议

  1. 对于分类任务,始终使用torchmetrics的指标对象
  2. 直接传递指标对象给log方法,而不是中间计算结果
  3. 对于不平衡数据集,考虑使用'micro'平均而非'macro'平均
  4. 在测试时保持数据shuffle,以确保batch间的类别分布均匀

总结

在PyTorch Lightning中使用torchmetrics时,理解指标计算的工作机制至关重要。通过正确使用指标对象而非中间结果,可以避免因数据顺序或batch效应导致的指标计算偏差。这一经验不仅适用于准确率计算,也适用于其他各种评估指标。

登录后查看全文

项目优选

收起
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
51
15
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
536
407
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
63
145
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
121
207
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
400
37
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
297
1.03 K
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
98
251
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
358
342
CS-BooksCS-Books
🔥🔥超过1000本的计算机经典书籍、个人笔记资料以及本人在各平台发表文章中所涉及的资源等。书籍资源包括C/C++、Java、Python、Go语言、数据结构与算法、操作系统、后端架构、计算机系统知识、数据库、计算机网络、设计模式、前端、汇编以及校招社招各种面经~
57
7
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
51
54