使用classification_report输出精确率、召回率与F1值时出现AttributeError的解决方法咨询

嘿，我来帮你搞定这个AttributeError的问题！首先得搞清楚错误出在哪：你用random_split拆分出来的test是PyTorch的Subset类实例，它没有targets和classes这两个属性——这俩属性是属于你最开始创建的ImageFolder数据集data_loader的，直接访问test.targets自然会报错。

下面给你两种靠谱的修复方案，选哪个都行：

方案一：从原始数据集提取测试集真实标签 #

因为Subset里保存了测试集样本在原始数据集中的索引，我们可以用这些索引去原始数据集里拿对应的标签：

# 先获取测试集对应的真实标签
true_labels = np.array([data_loader.targets[i] for i in test.indices])
# 类别名称直接用原始数据集的classes
class_names = data_loader.classes

# 生成分类报告
print(classification_report(true_labels, np.array(preds), target_names=class_names))

方案二：遍历测试集时同步收集真实标签 #

这种方式更直观，在你遍历test_dl做预测的时候，顺便把每个batch的真实标签存下来：

# 修正你代码里的笔误：model.evaL()改成model.eval()
model.eval()
preds = []
true_labels = []  # 新增列表存储真实标签

# 修正代码错误：把code with改成with
with torch.no_grad():
    for (x, y) in test_dl:
        x = x.to(device)
        pred = model(x)
        preds.extend(pred.argmax(axis=1).cpu().numpy())
        true_labels.extend(y.cpu().numpy())  # 同步收集真实标签

# 生成分类报告，类别名称用原始数据集的classes
print(classification_report(np.array(true_labels), np.array(preds), target_names=data_loader.classes))

另外还要提醒你：你原来的代码里有两个小笔误得修正，不然也会报错：

• model.evaL()里的L是大写的，应该改成model.eval()
• code with torch.no_grad()是错误写法，要改成with torch.no_grad():

内容的提问来源于stack exchange，提问作者stribb