PyTorch图像分类全流程实战--在测试集上评估图像分类算法精度05
教程
同济子豪兄 https://space.bilibili.com/1900783
https://www.bilibili.com/video/BV1qe4y1D7zD
环境配置
数据处理：numpy pandas
机器学习库：scikit-learn
画图的：matplotlib seaborn
HTTP请求：requests
进度条：tqdm
图像处理：opencv-python pillow kaleido
Kaleido是一个跨平台的库，用于为基于Web的可视化库生成静态图像（例如png，svg，pdf等），尤其着重于消除外部依赖性。
pytorch工具：torch torchvision torchaudio
混淆矩阵
from sklearn.metrics import confusion_matrix
混淆矩阵（Confusion Matrix），是一种在深度学习中常用的辅助工具，可以让你直观地了解你的模型在哪一类样本里面表现得不是很好。
TP(True Positive)：将正类预测为正类数，真实为0，预测也为0
FN(False Negative)：将正类预测为负类数，真实为0，预测为1
FP(False Positive)：将负类预测为正类数， 真实为1，预测为0
TN(True Negative)：将负类预测为负类数，真实为1，预测也为1
二分类：
Recall = TP/(TP+FN)
precision = TP/(TP+FP)
多分类：
Recall:真实值为正例子（类别1）中预测正确的比例
precision = 预测值为正例子（类别1）中预测正确的比例
实际上：
Recall = TPR，即召回率（召回了多少正样本比例）；
Precision就是当前划分到正样本类别中，被正确分类的比例（即正式正样本所占比例），就是我们一般理解意义上所关心的正样本的分类准确率；
PR曲线
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
Precision-Recall的平衡，PR图是y轴为Precison,x轴为Recall
ROC 曲线
该曲线的纵坐标为真阳性率（True Positive Rate, TPR）,横坐标为假阳性率（False Positive Rate, FPR）,曲线和X轴围城的面积是AUC。
TPR = TP/(TP + FN)
FPR = FP/(FP + TN)
acc = (TP + FP)/(TP+FP+FN+TN)
扩展阅读mark
机器学习分类评估指标
公众号 人工智能小技巧 回复 混淆矩阵
手绘笔记讲解：https://www.bilibili.com/video/BV1iJ41127wr?p=3
混淆矩阵： https://www.bilibili.com/video/BV1iJ41127wr?p=4
https://www.bilibili.com/video/BV1iJ41127wr?p=5
ROC曲线： https://www.bilibili.com/video/BV1iJ41127wr?p=6
https://www.bilibili.com/video/BV1iJ41127wr?p=7
https://www.bilibili.com/video/BV1iJ41127wr?p=8
F1-score：https://www.bilibili.com/video/BV1iJ41127wr?p=9
F-beta-score：https://www.bilibili.com/video/BV1iJ41127wr?p=10
语义特征降维可视化
【斯坦福CS231N】可视化卷积神经网络：https://www.bilibili.com/video/BV1K7411W7So
五万张ImageNet 验证集图像的语义特征降维可视化：https://cs.stanford.edu/people/karpathy/cnnembed/
谷歌可视化降维工具Embedding Projector https://www.bilibili.com/video/BV1iJ41127wr?p=11
