我有一个训练流程，使用了CrossEntropyLoss，并设置了一个忽略类别。

模型输出log_probs的形状为(150, 3)，这意味着在150个批次中，有3个可能的类别。

label_batch的形状为150，并且torch.max(label_batch) == tensor(3, device='cuda:0')，这意味着存在一个额外的类别标记为3，它是忽略类别。

损失函数可以很好地处理它：

self._criterion = nn.CrossEntropyLoss(    reduction='mean',    ignore_index=3)

但是准确率度量认为类别3是有效的，并给出了非常错误的结果：

self.train_acc = pl.metrics.Accuracy()

由于3标签应该被忽略，使用self.train_acc.update(log_probs, label_batch)得到错误的结果。

如何正确地在pl.metrics.Accuracy()中使用忽略类别？

回答：

从github论坛讨论线程中复制响应 https://github.com/PyTorchLightning/pytorch-lightning/discussions/6890

目前在准确率度量中还不支持这个功能，但我们有一个正在进行的PR来实现这个功能 PyTorchLightning/metrics#155

目前，您可以计算混淆矩阵，然后基于此忽略某些类别（请记住，真阳性/正确分类的位于混淆矩阵的对角线上）：

ignore_index = 3metric = ConfusionMatrix(num_classes=3)confmat = metric(preds, target)confmat = confmat[:2,:2] # 移除对应类别3的最后一列和最后一行acc = confmat.trace() / confmat.sum()