如何解决PyTorch中使用F1 Score作评估指标时的张量维度不匹配问题

第一次报错（形状不匹配）原因 #

• 你的模型当前是单分类任务实现：使用了LogSoftmax激活+F.nll_loss损失，输入标签形状为[batch_size]（每个样本仅对应一个类别）。
• 你最初写的F_score是多标签任务逻辑：要求标签形状为[batch_size, 类别数]（每个样本可对应多个类别），二者维度不匹配因此报错。

第二次报错（维度越界）原因 #

• 修改后你通过torch.max(output, dim = 1)得到的预测结果prob是形状为[batch_size]的1维张量，但后续代码仍使用.sum(1)在第1维度求和，1维张量仅存在第0维度，因此触发索引越界。
• 额外逻辑问题：单分类任务的F1计算逻辑和多标签完全不同，不能直接沿用多标签按类别维度求和的逻辑。

修正方案 #

方案1：确认是单分类任务（每个样本仅对应1个类别） #

直接替换为单分类加权F1的实现即可，纯PyTorch实现代码如下：

def F_score(output, label, beta=1):
    # 取概率最高的类别作为预测结果
    pred = torch.argmax(output, dim=1)
    num_classes = output.shape[1]
    
    # 初始化每个类别的混淆矩阵指标
    class_tp = torch.zeros(num_classes, device=output.device)
    class_fp = torch.zeros(num_classes, device=output.device)
    class_fn = torch.zeros(num_classes, device=output.device)
    class_counts = torch.bincount(label, minlength=num_classes)
    
    for c in range(num_classes):
        class_tp[c] = ((pred == c) & (label == c)).sum()
        class_fp[c] = ((pred == c) & (label != c)).sum()
        class_fn[c] = ((pred != c) & (label == c)).sum()
    
    # 计算每个类别的precision、recall、F1
    precision = class_tp / (class_tp + class_fp + 1e-12)
    recall = class_tp / (class_tp + class_fn + 1e-12)
    class_f1 = (1 + beta**2) * precision * recall / (beta**2 * precision + recall + 1e-12)
    
    # 按类别样本数加权得到最终加权F1
    weighted_f1 = (class_f1 * class_counts / class_counts.sum()).sum()
    return weighted_f1

方案2：确认是多标签任务（每个样本可对应多个类别） #

需要修改三处代码适配多标签逻辑：

1. 模型最后一层的nn.LogSoftmax(dim = 1)替换为nn.Sigmoid()
2. 验证步骤的损失函数从F.nll_loss(out, targets)替换为F.binary_cross_entropy(out, targets)
3. 数据集的标签处理为[batch_size, 258]形状，每个位置用0/1表示样本是否属于对应类别
   修改完成后你最初写的多标签版本F_score即可正常运行。

内容的提问来源于stack exchange，提问作者harry r