【代码学习】多标签分类 multilabel classfication | loss如何计算？ | 衡量指标如何计算？

loss计算 | BCELoss(), 最后+sigmoid映射为0-1区间值

gpt解释

import torch
import torch.nn as nn

# 创建模型输出和目标标签
output = torch.tensor([0.7, 0.4, 0.2, 0.8])  # 模型的输出（概率值）
target = torch.tensor([1, 0, 0, 1])  # 实际的目标标签

# 创建 Binary Cross-Entropy Loss 对象
criterion = nn.BCELoss()

# 计算损失值
loss = criterion(torch.sigmoid(output), target.float())  # 注意需要使用 sigmoid 函数将概率值映射到 [0, 1] 区间，并将目标标签转换为浮点数
print("Binary Cross-Entropy Loss:", loss.item())

衡量指标计算 sklearn.metrics

代码 MultiLabelClassifier /CelebA_Classification_PyTorch_Github.ipynb

from： https://github.com/vatsalsaglani/MultiLabelClassifier/blob/master/CelebA_Classification_PyTorch_Github.ipynb

多标签label是这样的

最后是用sigmoid()激活函数，loss用 nn.BCELoss()
acc是这样计算的？