Date: 2020/07/25
Coder: CW
Foreword:
CW有時(shí)候逛Github會(huì)發(fā)現(xiàn)不少項(xiàng)目代碼中使用到了Meter這個(gè)類(lèi)，meter這個(gè)詞的意思是儀表，從名稱(chēng)上來(lái)看，能feel到它應(yīng)該是用來(lái)度量和記錄某些統(tǒng)計(jì)量的，結(jié)合項(xiàng)目代碼的上下文也能看明白的確是這樣的意思。
但是，之前對(duì)Meter的理解也就止步于此，由于最近它在我逛Github時(shí)出現(xiàn)的頻率越來(lái)越高，因此就忍不住瞄了下相關(guān)源碼，現(xiàn)在我就把這成果記錄在本文，分享給大家以便快速了解下Meter的打開(kāi)方式。
Outline
I. Meter概述
II. 舉例：AverageValueMeter
III. 舉例：ConfusionMeter
Meter概述
Meter?這個(gè)類(lèi)是在torchnet.meter模塊中實(shí)現(xiàn)的，它其實(shí)是一個(gè)抽象類(lèi)，也就是不會(huì)干活的家伙，也就裝裝逼，但能干活的比如ConfusionMeter、AverageValueMeter（后文會(huì)介紹）等都得膜拜它當(dāng)大佬（作為它的子類(lèi)），廢話(huà)不多說(shuō)，先來(lái)看看doc string：
如上圖所述，它是用來(lái)“跟蹤”一些統(tǒng)計(jì)量的，也就是能夠在一段“歷程”中記錄下某個(gè)統(tǒng)計(jì)量在迭代過(guò)程中不斷變化的值，并統(tǒng)計(jì)相關(guān)的量。
作為大佬（抽象類(lèi)），它提供了以下接口供小弟（子類(lèi)）們實(shí)現(xiàn)。
舉例：AverageValueMeter
Meter有很多子類(lèi)，這里就AverageValueMeter來(lái)舉個(gè)例子說(shuō)明下其作用。
從名字看來(lái)，AverageValueMeter返回的應(yīng)該是統(tǒng)計(jì)量的均值。哦，看了其實(shí)現(xiàn)的value()這個(gè)接口后，可以知道它還返回了標(biāo)準(zhǔn)差。由于它暴露給外界獲取值的只有value()這個(gè)接口，因此通過(guò)這個(gè)Meter并不能知道統(tǒng)計(jì)量每次迭代的最新值，僅僅能夠知道均值和標(biāo)準(zhǔn)差。
另外說(shuō)明下，self.n其實(shí)并不一定等于迭代次數(shù)。因?yàn)榭梢詫?duì)每次加入的數(shù)值設(shè)置單位量（相當(dāng)于權(quán)重），通常來(lái)說(shuō)，每次迭代得到一個(gè)新的數(shù)值，單位量為1，代表多了一個(gè)數(shù)，這樣的話(huà)self.n就等同于迭代次數(shù)。
重頭戲來(lái)了，看看每次迭代更新的過(guò)程中，它做了什么。
看下圖，如上所述，若加入數(shù)值時(shí)單位量不為1，那么到頭來(lái)self.n就不是迭代次數(shù)了，而是在整個(gè)迭代過(guò)程中單位量的總和。
這里對(duì)于均值和標(biāo)準(zhǔn)差需要稍微動(dòng)下腦筋進(jìn)行推導(dǎo)，此處就均值的計(jì)算進(jìn)行下說(shuō)明。
self.mean = self.sum / self.n 這點(diǎn)毋庸置疑，OK開(kāi)始往下推導(dǎo)。
self.sum = sum_old + value，而sum_old=self.mean_old * (self.n - n)，于是：
self.sum = self.mean_old * (self.n - n) + value，去括號(hào)重新組合下：
self.sum = self.mean_old * self.n + (value - n * self.mean_old)
從而得到 self.mean = self.mean_old + (value - n* self.mean_old) / self.n
舉例：ConfusionMeter
一個(gè)例子不過(guò)癮？再來(lái)個(gè)嘗嘗香不香！
顧名思義，ConfusionMeter是混淆矩陣形式的Meter。
self.conf就是混淆矩陣，conf是confusion的意思，初始化為0。
這個(gè)Meter暴露給外界的也就是這個(gè)混淆矩陣。
這里需要注意下，如果是K分類(lèi)（通過(guò)初始化是設(shè)置self.k）問(wèn)題，那么這里傳入的預(yù)測(cè)和目標(biāo)的各個(gè)值需要在[0, K-1]范圍內(nèi)。
target可以是二維的，對(duì)應(yīng)的是one-hot形式。
精華都在以下這張圖里，舉個(gè)例子來(lái)說(shuō)明。
假如是二分類(lèi)問(wèn)題，此時(shí)self.k=2，同時(shí)predicted和target的取值范圍都在[0, 1]內(nèi)，那么x的取值就可能是0、1、2、3這4種情況。直觀(guān)上來(lái)看，處于邊界的兩種情況（0和3）代表預(yù)測(cè)效果較好，因?yàn)?的時(shí)候predicted和target都為0，而3的時(shí)候兩者都為1，也就是預(yù)測(cè)都正確了。
np.bincount會(huì)根據(jù)x的各個(gè)值劃分bin（區(qū)間），然后統(tǒng)計(jì)x中每個(gè)值出現(xiàn)的次數(shù)，對(duì)應(yīng)到每個(gè)bin上（想象下條形圖那種結(jié)構(gòu)）。最后再將bincount的結(jié)果reshape到kxk矩陣的形式。
