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:
- 正确使用MetricCollection:将ClasswiseWrapper包装的指标与其他指标一起放入MetricCollection中
- 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:
- 批次指标:每个训练批次计算的值
- 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
- 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 - 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
和_epoch
)以避免命名冲突 - 日志频率:明确指定
on_step
和on_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
- 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~042CommonUtilLibrary
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!C0298- 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
261

🎉 (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
858
511

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
258
298

🔥🔥🔥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

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

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

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

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

deepin linux kernel
C
22
5