首页
/ TorchMetrics中ClasswiseWrapper的正确使用方法

TorchMetrics中ClasswiseWrapper的正确使用方法

2025-07-03 19:36:59作者:邬祺芯Juliet

概述

在使用PyTorch Lightning进行深度学习模型训练时,我们经常需要记录各种评估指标。TorchMetrics作为PyTorch Lightning的官方指标库,提供了丰富的指标计算功能。其中,ClasswiseWrapper是一个非常有用的工具,它可以将多分类任务的指标自动分解为每个类别的单独指标。

问题背景

在实际应用中,开发者经常遇到需要记录每个类别的评估指标(如Dice系数)的情况。直接使用average="none"参数的指标会返回一个张量,而PyTorch Lightning的日志系统期望接收的是标量值。这就导致了类型不匹配的错误。

解决方案

ClasswiseWrapper的基本用法

ClasswiseWrapper通过将多分类指标分解为每个类别的单独指标来解决这个问题。它会自动为每个类别创建一个单独的指标计算,并以字典形式返回结果,其中键是带有类别名称的字符串,值是对应类别的指标值。

from torchmetrics import Dice, ClasswiseWrapper

class_labels = ["class_0", "class_1", "class_2"]
dice_per_class = ClasswiseWrapper(Dice(average="none"), labels=class_labels)

与PyTorch Lightning的集成

在PyTorch Lightning模块中使用时,需要注意以下几点:

  1. 正确使用MetricCollection:将ClasswiseWrapper包装的指标与其他指标一起放入MetricCollection中
  2. 日志记录方式:在validation_step中更新指标,在epoch结束时计算并记录最终结果
class MyModule(pl.LightningModule):
    def __init__(self):
        super().__init__()
        class_labels = ["class_0", "class_1", "class_2"]
        metrics_dict = {
            "dice_macro": Dice(average="macro"),
            "dice_per_class": ClasswiseWrapper(Dice(average="none"), labels=class_labels)
        }
        self.val_metrics = MetricCollection(metrics_dict)
    
    def validation_step(self, batch, batch_idx):
        x, y = batch
        outputs = self(x)
        self.val_metrics(outputs, y)
    
    def on_validation_epoch_end(self):
        metrics = self.val_metrics.compute()
        self.log_dict(metrics)
        self.val_metrics.reset()

训练阶段的指标记录

在训练阶段,我们通常需要记录两种类型的指标值:

  1. 批次指标:每个训练批次计算的值
  2. 周期指标:整个训练周期结束后计算的平均值
def training_step(self, batch, batch_idx):
    x, y = batch
    outputs = self(x)
    loss = self.loss_fn(outputs, y)
    
    # 记录批次损失和指标
    self.log("train/loss_step", loss, on_step=True)
    batch_metrics = self.train_metrics(outputs, y)
    batch_metrics = {f"{k}_step": v for k,v in batch_metrics.items()}
    self.log_dict(batch_metrics, on_step=True)
    
    return loss

def on_train_epoch_end(self):
    # 记录周期平均指标
    epoch_metrics = self.train_metrics.compute()
    epoch_metrics = {f"{k}_epoch": v for k,v in epoch_metrics.items()}
    self.log_dict(epoch_metrics)
    self.train_metrics.reset()

注意事项

  1. 指标重置:在每个epoch结束后必须调用reset()方法,否则指标会累积所有epoch的数据
  2. 命名规范:建议为批次指标和周期指标使用不同的后缀(如_step_epoch)以避免命名冲突
  3. 日志频率:明确指定on_stepon_epoch参数可以更好地控制日志记录频率

总结

ClasswiseWrapper是TorchMetrics中处理多分类指标的有力工具,通过与PyTorch Lightning的正确集成,我们可以方便地记录每个类别的详细指标。理解指标计算的生命周期(更新、计算、重置)对于获得准确的评估结果至关重要。在实际应用中,合理设计指标命名和记录策略,可以使模型训练过程更加透明和可控。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
118
1.88 K
kernelkernel
deepin linux kernel
C
22
6
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
341
1.24 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
191
271
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
912
546
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
377
388
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
143
188
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
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
68
58
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
81
2