PyTorch语义分割代码实战：计算TN指标

在语义分割任务中，除了常用的Dice系数等指标外，真负率（True Negative Rate, TNR）也是一个重要的评估指标，它反映了模型正确识别负样本的能力。本文将介绍如何在PyTorch语义分割代码中计算TN指标。

代码示例

以下代码片段展示了如何在PyTorch语义分割代码中计算TN指标：pythonwith torch.no_grad(): for i, b in enumerate(batch(dataset, batch_size)):

    imgs = np.array([k[0] for k in b]).astype(np.float32)        true_masks = np.array([k[1] for k in b])

    imgs = torch.from_numpy(imgs)        imgs = imgs.unsqueeze(1)        true_masks = torch.from_numpy(true_masks)

    pre_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)        true_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)        batchshape = true_masks.shape[0]

    batch_dice = torch.zeros(14).cuda()        if gpu:            imgs = imgs.cuda()            true_masks = true_masks.cuda()            net.cuda()

    output_img = net(imgs)        input = output_img.cuda()        pre_masks = input.max(1)[1].float() #索引代表像素所属类别的数字        for ak in range(14):            if ak == 0:                continue            pre_masks_eval[:,ak] = (pre_masks==ak)            true_masks_eval[:,ak] = (true_masks==ak)            premasks = pre_masks_eval[:,ak].view(true_masks.shape[0],-1)            truemasks = true_masks_eval[:,ak].view(true_masks.shape[0],-1)

        intersection = premasks * truemasks            TP = intersection.sum(1)            FP = premasks.sum(1) - TP            FN = truemasks.sum(1) - TP

        # 计算TN            TN = (premasks == 0) & (truemasks == 0)            TN = TN.sum(1)

        for bk in range(true_masks.shape[0]):                if TP[bk] == 0 and FP[bk] == 0 and FN[bk] == 0:                    NE[ak] += 1                    JNE[ak] += 1

                # 在这里添加TN的统计                    TN = (TP == 0) & (FP == 0) & (FN == 0)                    TN = TN.sum()

代码解释

计算TN： python TN = (premasks == 0) & (truemasks == 0) TN = TN.sum(1) 这段代码首先使用逻辑与运算符（&）找到预测为负样本且实际也为负样本的像素。然后，使用 sum(1) 函数对每个样本的TN进行求和。
统计TN： python TN = (TP == 0) & (FP == 0) & (FN == 0) TN = TN.sum() 这段代码在原有的if语句中添加了TN的统计逻辑，用于统计整个batch的TN数量。

总结

通过以上代码修改，我们可以在PyTorch语义分割代码中计算和统计TN指标，从而更全面地评估模型的性能。需要注意的是，上述代码仅供参考，实际应用中需要根据具体情况进行调整。