Python代码中计算TN（真负例）的实现

以下是关于如何计算TN（真负例）的代码，并解释了TN的计算方法以及它与其他指标（TP、FP、FN）之间的关系。

def eval_net(net, dataset, slicetotal, batch_size=12, gpu=True):
    '''Evaluation without the densecrf with the dice coefficient'''

    net.eval()
    start = time.time()
    dice_ = torch.zeros(14).cuda()
    jac_ = torch.zeros(14).cuda()
    NE = torch.zeros(14).cuda()
    JNE = torch.zeros(14).cuda()

    accuracy_ = torch.zeros(14).cuda()
    precision_ = torch.zeros(14).cuda()
    recall_ = torch.zeros(14).cuda()
    specificity_ = torch.zeros(14).cuda()

    print(1)
    with 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

                TN = (batchshape - TP - FP - FN)

                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
                    else:
                        batch_dice[ak] = batch_dice[ak] + 2*TP[bk] / (2*TP[bk] + FP[bk] + FN[bk])
                        jac_[ak] = jac_[ak] + TP[bk] / (TP[bk] + FP[bk] + FN[bk])

            dice_ = dice_ + batch_dice

        for knum in range(14):
            dice_[knum] = dice_[knum] / (slicetotal - NE[knum])
            jac_[knum] = jac_[knum] / (slicetotal - JNE[knum])
    end = time.time()
    print('time used:',end - start)

    return dice_,jac_

在上述代码中，我们添加了以下代码来计算TN：

TN = (batchshape - TP - FP - FN)

解释：

TN 代表真负例（True Negative），表示预测为负例且实际也为负例的样本数。
TP 代表真阳例（True Positive），表示预测为阳例且实际也为阳例的样本数。
FP 代表假阳例（False Positive），表示预测为阳例但实际为负例的样本数。
FN 代表假阴例（False Negative），表示预测为负例但实际为阳例的样本数。

公式：

TN = 总样本数 - TP - FP - FN

代码中，我们将TN的计算添加到循环中，以便为每个类别计算TN。

注意：

TN是一个标量值，而TP、FP和FN是向量，因为它们是针对每个类别计算的。
此代码假设每个样本只属于一个类别。

希望这个解释对您有所帮助。

其他信息:

除了TN外，还有其他一些评估指标，例如准确率、精确率、召回率、特异度等。这些指标可以帮助您更全面地评估模型的性能。您可以根据具体情况选择合适的指标。

示例：

假设您有10个样本，其中5个样本为阳例，5个样本为负例。您的模型预测了3个样本为阳例，其中2个预测正确，1个预测错误。同时，您的模型预测了7个样本为负例，其中5个预测正确，2个预测错误。那么，您的TN为5。

结论：

计算TN可以帮助您更好地理解模型的性能。它与其他指标（TP、FP、FN）一起可以为模型的评估提供更全面的信息。

其他资源：