PyTorch混淆矩阵计算报样本数不一致错误排查

你的判断完全正确。报错根源就是y_pred = y_pred.ge(.5).view(-1).cpu()这行的view(-1)操作，把原本形状为[482, 2]的预测张量（482个测试样本，每个样本对应A、B两个独立二分类任务的输出概率）展平成了长度964的一维张量，和长度为482的测试集标签样本数不匹配，最终触发样本数不一致的报错。

• 原单二分类模型的输出形状为[样本数, 1]，此时用view(-1)展平后会得到长度等于样本数的一维预测数组，逻辑可以正常运行
• 改成双二分类输出后，每个样本对应2个独立的预测值，输出形状为[样本数, 2]，此时直接调用view(-1)会把两个任务的所有预测值打散拼接，总长度变为482*2=964，自然无法和482条样本的真实标签对齐。

要得到形状为[482, 2]的0/1预测结果，只需要删除会破坏张量二维结构的view(-1)操作即可，修正代码如下：

y_pred = model(X_test)
print(y_pred.shape)   # torch.Size([482, 2])，对应482个样本的A、B两类预测概率

# 按0.5阈值转换为0/1预测值，保留[样本数, 2]的原始二维结构
y_pred = y_pred.ge(.5).cpu()
print(y_pred.shape)   # torch.Size([482, 2])，和标签形状完全匹配

• 修正后得到的y_pred是形状为[482, 2]的张量，第0列对应A类的二分类预测结果，第1列对应B类的二分类预测结果
• 如果需要分别计算两个任务的混淆矩阵，要单独取出对应列的预测值和对应任务的真实标签配对：比如计算A类混淆矩阵时取y_pred[:, 0]和标签中A类的列配对，B类同理
• 如果使用sklearn的混淆矩阵接口，需要先把PyTorch张量转为numpy数组，在.cpu()后追加.numpy()调用即可。

内容的提问来源于stack exchange，提问作者John David Deatherage