PyTorch 中的高效指标评估

Question

我是 PyTorch 的新手，希望在我的训练和验证循环期间有效地评估其他 F1。

到目前为止，我的方法是在 GPU 上计算预测，然后将它们推送到 CPU 并将它们附加到用于训练和验证的向量。在训练和验证之后，我将使用 sklearn 对每个 epoch 进行评估。但是，分析我的代码显示，推送到 cpu 是一个相当大的瓶颈。

for epoch in range(n_epochs):
    model.train()
    avg_loss = 0
    avg_val_loss = 0
    train_pred = np.array([])
    val_pred = np.array([])
    # Training loop (transpose X_batch to fit pretrained (features, samples) style)
    for X_batch, y_batch in train_loader:
        scores = model(X_batch)
        y_pred = F.softmax(scores, dim=1)
        train_pred = np.append(train_pred, self.get_vector(y_pred.detach().cpu().numpy()))

        loss = loss_fn(scores, self.get_vector(y_batch))
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        avg_loss += loss.item() / len(train_loader)

    model.eval()
    # Validation loop
    for X_batch, y_batch in val_loader:
        with torch.no_grad():
            scores = model(X_batch)
            y_pred = F.softmax(scores, dim=1)
            val_pred = np.append(val_pred, self.get_vector(y_pred.detach().cpu().numpy()))
            loss = loss_fn(scores, self.get_vector(y_batch))
            avg_val_loss += loss.item() / len(val_loader)

    # Model Checkpoint for best validation f1
    val_f1 = self.calculate_metrics(train_targets[val_index], val_pred, f1_only=True)
    if val_f1 > best_val_f1:
        prev_best_val_f1 = best_val_f1
        best_val_f1 = val_f1
        torch.save(model.state_dict(), self.PATHS['xlm'])
        evaluated_epoch = epoch

    # Calc the metrics
    self.save_metrics(train_targets[train_index], train_pred, avg_loss, 'train')
    self.save_metrics(train_targets[val_index], val_pred, avg_val_loss, 'val')

我确信有一种更有效的方法来 a) 存储预测，而不必每批将它们推送到 cpu。b) 直接计算 GPU 上的指标？

由于我是 PyTorch 的新手，我非常感谢您的任何提示和反馈:)

Answer 1

您可以在 pytorch 中自己计算 F 分数。F1 分数仅针对单类（真/假）分类定义。您唯一需要的是汇总以下数量：

• 真实目标数据中的类计数；
• 预测中的类别数；
• 计算该类被正确预测的次数。

假设您要计算0在 softmax 中具有索引的类的 F1 分数。在每个批次中，您可以执行以下操作：

predicted_classes = torch.argmax(y_pred, dim=1) == 0
target_classes = self.get_vector(y_batch)
target_true += torch.sum(target_classes == 0).float()
predicted_true += torch.sum(predicted_classes).float()
correct_true += torch.sum(
    predicted_classes == target_classes * predicted_classes == 0).float()

处理完所有批次后：

recall = correct_true / target_true
precision = correct_true / predicted_true
f1_score = 2 * precission * recall / (precision + recall)

不要忘记处理精度和召回率为零的情况，并且根本没有预测到所需的类别。