（12）实验中一些指标的计算

    在使用深度学习方法进行学习任务的过程中，经常需要输出一些指标来判断学习的情况，并通过tensorboard等工具进行可视化展示。

    常见的需要查看的内容有学习率、损失变化情况（分为在训练集和验证集上的损失）、准确率（在训练集和验证集上的损失），灵敏度，特异度，查准率和查全率等。这里将这些指标的代码获取方法进行总结，方便以后使用。

（1）深度学习中的输出结果和标签

        score = model(val_input) #得到模型输出结果 

        probability = t.nn.functional.softmax(score,dim=1) #通过 softmax 函数将输出结果归一化到0-1之间

        loss = loss_func(probability, val_label)# 计算模型的损失 

        这里的probability 基本是浮点型的小数。

        使用probablity 和标签可以画出相应的ROC曲线 

        画图方法见https://www.jianshu.com/p/0daccdb80a62

（2）准确率

        train_acc =0

        val_num =1

        _, predicted = torch.max(probability,1)#返回输入Tensor中每行的最大值，并转换成指定的dim（维度）

        train_correct = (predicted == val_label).sum()#统计预测结果和标签一致的数目

        train_acc += train_correct.item()

        accuracy = train_acc/val_num

（3）灵敏度、特异度、查准率、查全率

        TP =0 #（真阳性）被正确诊断为患病的病人。

        TN =0 # （真阴性）被正确诊断为健康的健康人。

        FP =0 #(假阳性）被错误诊断为患病的健康人。

        FN =0 #（假阴性）被错误诊断为健康的病人。

        #计算每次迭代过程中的值并叠加

        TP += (val_label[predicted==1]==1).type(torch.cuda.FloatTensor).sum()

        TN += (val_label[predicted==0]==0).type(torch.cuda.FloatTensor).sum()

        FP += (val_label[predicted ==1] ==0).type(torch.cuda.FloatTensor).sum()

        FN += (val_label[predicted ==0] ==1).type(torch.cuda.FloatTensor).sum()

        print("敏感度为：")

        print(TP/(TP + FN))

        print("特异度为：")

        print(TN/(TN + FP))

        print("查准率为：")

print( TP/(TP + FP))

print("查全率为：")

print(TP/(TP + FN))