TorchMetrics中Pearson相关系数计算的聚合问题分析与修复
2025-07-03 00:52:28作者:廉皓灿Ida
问题背景
在机器学习评估指标库TorchMetrics中,Pearson相关系数的计算实现存在两个关键问题:
- 状态修改问题:
_final_aggregation
函数在多设备环境下会原地修改输入状态,导致后续计算出现不准确结果 - 数值稳定性问题:当某些设备没有数据时,计算过程中会出现NaN值
问题分析
Pearson相关系数的多设备聚合计算需要合并来自不同设备的统计量,包括均值、方差和协方差等。原实现存在以下技术缺陷:
- 原地修改问题:函数直接修改输入张量,这在多设备分布式训练场景下会导致后续计算使用已被修改的状态
- 数值稳定性:当两个设备的样本数n1和n2都为0时,除法运算会产生NaN,而实际上这些位置的统计量应该保持为0
- 算法复杂度:原实现使用了较为复杂的计算公式,增加了理解和维护难度
解决方案
基于算法文献和数值稳定性考虑,我们提出以下改进方案:
def _final_aggregation(
means_x: torch.Tensor,
means_y: torch.Tensor,
vars_x: torch.Tensor,
vars_y: torch.Tensor,
corrs_xy: torch.Tensor,
nbs: torch.Tensor,
eps: float = 1e-10,
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor]:
"""聚合来自多个设备的统计量"""
if len(means_x) == 1:
return means_x[0], means_y[0], vars_x[0], vars_y[0], corrs_xy[0], nbs[0]
mx1, my1, vx1, vy1, cxy1, n1 = means_x[0], means_y[0], vars_x[0], vars_y[0], corrs_xy[0], nbs[0]
for i in range(1, len(means_x)):
mx2, my2, vx2, vy2, cxy2, n2 = means_x[i], means_y[i], vars_x[i], vars_y[i], corrs_xy[i], nbs[i]
# 处理零样本情况
nb = torch.where(torch.logical_or(n1, n2), n1 + n2, eps)
# 计算合并均值
mean_x = (n1 * mx1 + n2 * mx2) / nb
mean_y = (n1 * my1 + n2 * my2) / nb
# 计算合并方差和协方差
n12_b = n1 * n2 / nb
delta_x = mx2 - mx1
delta_y = my2 - my1
var_x = vx1 + vx2 + n12_b * delta_x ** 2
var_y = vy1 + vy2 + n12_b * delta_y ** 2
corr_xy = cxy1 + cxy2 + n12_b * delta_x * delta_y
mx1, my1, vx1, vy1, cxy1, n1 = mean_x, mean_y, var_x, var_y, corr_xy, nb
return mean_x, mean_y, var_x, var_y, corr_xy, nb
技术优势
- 算法正确性:基于可靠的并行统计算法文献实现,确保数学正确性
- 数值稳定性:通过eps参数处理零样本情况,避免NaN值产生
- 性能优化:简化计算公式,提高计算效率
- 可维护性:代码结构更清晰,便于理解和维护
实际影响
该修复对以下场景尤为重要:
- 分布式训练:确保在多GPU/多节点环境下指标计算的准确性
- 稀疏数据:处理某些设备可能没有数据的情况
- 长期训练:避免状态污染导致的指标漂移
结论
TorchMetrics中的Pearson相关系数计算经过此次修复,在正确性、稳定性和性能方面都得到了显著提升。这一改进特别有利于大规模分布式训练场景下的模型评估工作,确保了评估指标的准确性和可靠性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~046CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
262

🎉 (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
863
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

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
398
371

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
332
1.08 K