图像分类模型评估之用python绘制ROC曲线绘制

目录

加载的训练数据是图片！！！

加载的训练数据是张量！！！

---

      在模型训练完成后，可以通过绘制ROC曲线来评估模型的分类性能。ROC曲线是以真正率（True Positive Rate，TPR）为纵轴，假正率（False Positive Rate，FPR）为横轴的曲线，它反映了模型在不同阈值下的分类性能。

加载的训练数据是图片！！！

当你的数据是图片时，你可以使用torchvision.datasets.ImageFolder来加载数据集，并在加载的同时使用torchvision.transforms中的函数对数据进行预处理。

import torch
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
import numpy as np

# 定义预处理函数
transform = transforms.Compose([
    transforms.Resize((224, 224)),  # 调整图像大小为224x224
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 标准化图像
])

# 加载测试集数据
test_data = torchvision.datasets.ImageFolder(root='test/', transform=transform)

# 定义模型
model = ...

# 加载模型参数
model.load_state_dict(torch.load('model.pth'))

# 设置模型为评估模式
model.eval()

# 预测标签和真实标签列表
preds, labels = [], []

# 遍历测试集数据，进行预测
for images, targets in test_data:
    # 将图片数据添加一维作为batch
    images = images.unsqueeze(0)
    # 前向传播
    outputs = model(images)
    # 获取预测概率
    prob = torch.nn.functional.softmax(outputs, dim=1)
    # 获取预测标签
    pred = prob.argmax(dim=1).item()
    preds.append(prob[:, 1].item())
    labels.append(targets)

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(labels, preds)
roc_auc = auc(fpr, tpr)

plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic')
plt.legend(loc="lower right")
plt.show()

1、引入模型定义 model =  ，类似在头文件 import  def_CNN   ,model = def_CNN()

2、修改加载的模型文件路径，加载模型的形式为字典形式！

3、数据集加载路径，也需要修改！

4、其他细节问题，自行修改即可！

加载的训练数据是张量！！！

torch.load()是一个用于从文件中加载PyTorch张量或模型的函数，它可以将保存在磁盘上的模型或张量加载到内存中。通常情况下，我们使用torchvision.datasets中的数据集对象来加载数据，例如MNIST、CIFAR-10等。但是，如果您已经将数据集以张量的形式保存在磁盘上，那么您可以使用torch.load()来加载数据。

import torch
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 导入模型和测试数据
model = torch.load('model.pth')
test_data = torch.load('test_data.pth')

# 设置模型为评估模式
model.eval()

# 预测测试数据的标签和分数
y_pred = []
y_score = []
with torch.no_grad():
    for inputs, labels in test_data:
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        score = outputs[:, 1].cpu().numpy()  # 获取正类的预测分数
        y_pred += predicted.tolist()
        y_score += score.tolist()
y_true = np.array(test_data.dataset.targets)

# 计算FPR和TPR
fpr, tpr, _ = roc_curve(y_true, y_score)

# 计算ROC曲线下面积（AUC）
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic')
plt.legend(loc="lower right")
plt.show()

具体修改内容参考上面的！