当前位置：文江博客话题详情

不同的批次尺寸给出不同的测试分数（Pytorch）

发布于 2025-02-10 01:44:30 字数 193 浏览 3 评论 0原文

我正在尝试使用不同的批次大小来测试我的模型，并且我的批次大小不同。我是初学者。我已经尝试解决这个问题很长时间了，但是找不到任何有效的解决方案。代码在这里。谢谢！

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

小兔几 2025-02-17 01:44:30

它与您对平均指标的计算有关，无论它们是图像的（案例批量尺寸= 1）平均值还是在Minibatch平均值。无论哪种方式，无论使用什么批次尺寸，您都必须保持平均值。一种直接的解决方案是修改您的添加评分方法：

class Scoring():
    def add(self,pred,target):
        self.number += pred.shape[0]
        for pre, tar in zip(pred.unsqueeze(1), target.unsqueeze(1)):
            dice = torch.tensor(get_Dice(pre,tar))
            self.dice += dice
            self.iou += torch.tensor(get_Iou(pre,tar))
            self.spe += torch.tensor(get_Spe(pre,tar))
            self.sen += torch.tensor(get_Sen(pre,tar))
            self.acc += torch.tensor(get_Acc(pre,tar))
            self.pre += torch.tensor(get_Pre(pre,tar))
        return dice

It has something to do with your calculation of average metrics, whether they are image-wise (case batch size = 1) averages or minibatch-wise averages. Either way, you have to keep the averaging consistent no matter what batch size you use. One direct solution is to modify your add method of Scoring:

class Scoring():
    def add(self,pred,target):
        self.number += pred.shape[0]
        for pre, tar in zip(pred.unsqueeze(1), target.unsqueeze(1)):
            dice = torch.tensor(get_Dice(pre,tar))
            self.dice += dice
            self.iou += torch.tensor(get_Iou(pre,tar))
            self.spe += torch.tensor(get_Spe(pre,tar))
            self.sen += torch.tensor(get_Sen(pre,tar))
            self.acc += torch.tensor(get_Acc(pre,tar))
            self.pre += torch.tensor(get_Pre(pre,tar))
        return dice

回复收藏 0 原文