师兄说学目标检测之前先学分类
坏了，内容好多！学学学
感谢up主，好人一生平安
混淆矩阵
-
什么是混淆矩阵：
横坐标：每一列属于该类的所有验证样本。每一列所有元素对应真实类别。
纵坐标：网络的预测类别。每一行对应预测结果属于该类的所有样本。
对角线：预测正确的样本个数。
预测值在对角线上分布的越密集，模型的性能就越好。
还能通过混淆矩阵看到这个网络对哪些类别更容易分类出错。 -
混淆矩阵的指标：
精确率precision不等于准确率accuracy！！
准确率：所有预测正确的样本个数 / 所有用于验证的样本个数
（对角线上所有数据之和 / 混淆矩阵所有数据之和） -
二分类简单示例：
每一列：预测值标签；
每一列：真实值标签。
TP、TN 都代表网络预测正确的部分。（越大越好）
FP、FN 都代表网络预测错误的部分。（越小越好）
- 准确率、精确率、灵敏度/召回率、特异度
准确率：对所有类别的统计
精确率、灵敏度/召回率、特异度：针对某个类别 - 实例：
以猫为例，可以把狗和猪的类别混在一起，统一整合为不为猫的情况。得到混淆矩阵：
- 参考博文：
https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839
计算混淆矩阵与相关指标
这里使用numpy进行统一计算（可以同时在TensorFlow和pytorch中使用）：
-
制定一个类：ConfusionMatrix
若图像显示不正常，就升级matplotlib
prettytable：将输出展示成列表的形式
-
初始化函数：init
1：传入了两个变量：分类网络的分类类别个数num_classes、分类标签列表：labels。
2：初始化一个行数和列数相等且均为num_classes的正方形的、值为零的矩阵。
3：将num_classes赋值给类变量num_classes。 -
第一个实现的类：update
1：预测值preds、真实标签labels
2：累加到混淆矩阵中。将预测、真实标签打包组合，进行遍历。
p：预测值；t：真实类别标签
3：矩阵[预测值（行），真实值（列）]，[第t行，第p列] -
第一个实现的类：summary
统计计算各个指标
①准确率：
遍历，0~num_classes-1，
统计对角线上的元素和，
计算acc值
②：计算每个类别的精确率、召回率、特异度
（库）prettytable：将输出展示成列表的形式
初始化一张表table，
在第一行添加一些描述信息，
使用for i in range遍历每一个类别，
对于第i个类别，TP（true positive）：对角线上元素m[i]，
FP（false positive）：这一行的所有元素之和（第i行）-TP，
FN（false negative）：这一列的和（第i列）-TP
round：小数部分只取三位。
将当前类别信息添加到刚刚初始化的table里面
类别标签，precision，recall，specificity -
绘制混淆矩阵：plot
1 将matrix赋值给matrix
2 打印混淆矩阵
3 使用imshow函数展示混淆矩阵。颜色变换：从白色到蓝色。
4 对于label：默认是0、1、2、3这种坐标。但是希望它展示的是标签的类别。
使用xticks，将原来x轴的信息（0~num_classes-1）替换成为labels，对x轴旋转45°
5 y轴同理
6 混淆矩阵右侧像色谱一样的colorbar。数值的密集程度，颜色越深，数值就越密集。
7 横坐标 True labels
8 纵坐标 predicted labels
9 图像标题 Confusion matrix
将每个区域的数值标注在图像上
1 设置阈值，指定数字文本的颜色。取matrix最大数值的一半
2 遍历x坐标（显示图像的时候，坐标原点一般在图像的左上角），x从左到右，y从上到下。
3 遍历y坐标
4 对每一个坐标，获取它的matrix信息**[y,x]！！！不是[x,y]！！！**。 取整，得到当前位置的统计个数
5 通过text方法，将info绘制在[x,y]坐标处。
6、7 绘制在水平方向、竖直方向的中心位置处。
8 color对应数字的颜色，大于阈值：白色
9 让图形显示更加紧凑，否则部分信息可能被遮挡
10 展示混淆矩阵
使用pytorch计算分类模型的混淆矩阵
1 判断设备，是否使用GPU
2 打印设备信息
3 之前训练目标net网络时，使用针对验证集的一个处理方式，直接使用了当时已经处理好的模型权重，所以此处要与它保持相同的预处理方式。
5 使用花分类数据集的验证集
6 dataloader载入验证集
1 实例化网络MobileNetV2（之前写过的，这里拿来继续用）
2 、3 载入之前已经训练好的MobileNetV2的模型权重
4 将模型连到设备上去
1、2 载入之前生成的json文件（对应着索引与类别信息）。读入后提取出所有的标签信息。载入后是字典形式，而我们只需要它的标签
4 label for_,label in class_indect.items()：不要key，只要value
5 实例化上面定义的ConfusionMatrix类
6 启动验证模式
7 上下文管理器 torch.no_grad()，停止pytorch对变量梯度的跟踪
8 遍历dataloader数据集
9 分为图片，标签
10 把图片储存到设备中，输入网络，得到输出
11 softmax处理
12 通过argmax得到最大的元素
13 调用.update()方法输入预测值（outputs.numpy()）、真实标签值（val_labels.numpy()）
14 plot 绘制混淆矩阵
15 打印各个指标信息
