VUE3父子组件传值defineProps() 和 defineEmits()-CFANZ编程社区

一、实验介绍

一、实验介绍

本文将实现一个辅助功能——计算预测的准确率。Accuracy支持对每一个回合中每批数据进行评价，并将结果累积，最终获得整批数据的评价结果。

在训练或验证过程中迭代地调用update方法来更新评价指标；
使用accumulate方法获取累计的准确率；
通过reset方法重置评价指标，以便进行下一轮的计算。

二、实验环境

本系列实验使用了PyTorch深度学习框架，相关操作如下：

1. 配置虚拟环境

conda create -n DL python=3.7

conda activate DL

pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

conda install matplotlib

 conda install scikit-learn

2. 库版本介绍

软件包	本实验版本	目前最新版
matplotlib	3.5.3	3.8.0
numpy	1.21.6	1.26.0
python	3.7.16
scikit-learn	0.22.1	1.3.0
torch	1.8.1+cu102	2.0.1
torchaudio	0.8.1	2.0.2
torchvision	0.9.1+cu102	0.15.2

三、实验内容

ChatGPT：

本系列为实验内容，对理论知识不进行详细阐释

（咳咳，其实是没时间整理，待有缘之时，回来填坑）

0. 导入必要的工具包

import torch
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoader

Dataset和DataLoader类用于处理数据集和数据加载

这段代码定义了一个名为Accuracy的类，用于支持分批进行模型评价，特别是在分类任务中计算准确率。

`1. init(`构造函数)

class Accuracy:
    def __init__(self, is_logist=True):
        self.num_correct = 0
        self.num_count = 0
        self.is_logist = is_logist

构造函数在创建Accuracy对象时被调用。它接受一个可选的参数is_logist，默认为True，用于指示是否为logist形式的预测值。
self.num_correct用于记录正确预测的样本个数。
self.num_count用于记录总样本个数。
self.is_logist指示是否为logist形式的预测值。

2. update函数(更新评价指标)

def update(self, outputs, labels):
    if outputs.shape[1] == 1:
        outputs = outputs.squeeze(-1)
        if self.is_logist:
            preds = (outputs >= 0).long()
        else:
            preds = (preds >= 0.5).long()
    else:
        preds = torch.argmax(outputs, dim=1).long()
        
    labels = labels.squeeze(-1)
    batch_correct = (preds==labels).float().sum()
    batch_count = len(labels)
    self.num_correct += batch_correct
    self.num_count += batch_count

update方法用于更新评价指标。它接受两个参数outputs和labels，分别表示模型的预测输出和真实标签。
根据outputs的形状判断任务类型。
- 如果outputs是二维张量且第二维大小为1，那么表示是二分类任务。
  - 如果is_logist=True，则将outputs通过阈值（0）转换为预测值preds，并将其转换为整数类型。
  - 如果is_logist=False，则将outputs通过阈值（0.5）转换为预测值preds，并将其转换为整数类型。
- 如果outputs是二维张量且第二维大小大于1，表示是多分类任务。此时，将outputs中概率最大的类别作为预测值preds。
将labels去除多余的维度，并计算本批数据中预测正确的样本个数batch_correct。
获取本批数据的样本个数batch_count。
更新num_correct和num_count，累积计算正确样本个数和总样本个数。

5. accumulate(计算准确率)

def accumulate(self):
    if self.num_count == 0:
        return 0
    return self.num_correct / self.num_count

accumulate方法用于计算准确率。
- 如果num_count为0，表示没有进行过更新，返回0。
- 否则，返回正确样本个数除以总样本个数的比例，即准确率。

4. reset(重置评价指标)

def reset(self):
    self.num_correct = 0
    self.num_count = 0

reset方法用于重置评价指标，将num_correct和num_count重置为0，以便进行下一轮评价。

5. 构造数据进行测试

y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
acc = Accuracy()
acc.update(y_hat, y)
acc.num_correct

6. 代码整合

import torch


# 支持分批进行模型评价的 Accuracy 类
class Accuracy:
    def __init__(self, is_logist=True):
        # 正确样本个数
        self.num_correct = 0
        # 样本总数
        self.num_count = 0
        self.is_logist = is_logist

    def update(self, outputs, labels):
        # 判断是否为二分类任务
        if outputs.shape[1] == 1:
            outputs = outputs.squeeze(-1)
            # 判断是否是logit形式的预测值
            if self.is_logist:
                preds = (outputs >= 0).long()
            else:
                preds = (preds >= 0.5).long()
        else:
            # 多分类任务时，计算最大元素索引作为类别
            preds = torch.argmax(outputs, dim=1).long()

        # 获取本批数据中预测正确的样本个数
        labels = labels.squeeze(-1)
        batch_correct = (preds == labels).float().sum()
        batch_count = len(labels)
        # 更新
        self.num_correct += batch_correct
        self.num_count += batch_count

    def accumulate(self):
        # 使用累计的数据，计算总的评价指标
        if self.num_count == 0:
            return 0
        return self.num_correct / self.num_count

    def reset(self):
        self.num_correct = 0
        self.num_count = 0


y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
acc = Accuracy()
acc.update(y_hat, y)
acc.num_correct