
torchmetrics.MeanAbsolutePercentageError 在真实标签含零时会因极小 epsilon(1.17e-06)导致分母趋近于零,从而产生极大异常值;需手动规避零值或自定义 epsilon,或改用更稳健的实现。
pytorchmetrics mape 异常高值问题解析与正确使用指南:`torchmetrics.meanabsolutepercentageerror` 在真实标签含零时会因极小 epsilon(1.17e-06)导致分母趋近于零,从而产生极大异常值;需手动规避零值或自定义 epsilon,或改用更稳健的实现。
MeanAbsolutePercentageError(MAPE)是回归任务中常用的相对误差指标,其标准公式为:
$$ \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| $$
但该公式在 $ y_i = 0 $ 时无定义。为避免除零错误,torchmetrics 内部引入了数值稳定项 eps,但其默认值仅为 1.17e-06(即 torch.finfo(torch.float32).eps),远小于典型标签量级(如人脸关键点坐标、归一化像素值等)。当真实标签中存在 0 时,分母被替换为 max(|y_i|, eps) → 实际变为 eps,导致单个样本误差项飙升至 $ \left| \frac{y_i - \hat{y}_i}{\text{eps}} \right| $ 级别(例如 |1−3| / 1.17e-06 ≈ 1.7e6),最终 MAPE 失控。
验证如下:使用你提供的数据 y_true = [[1, 0, 3], [4, 5, 6]],y_pred = [[3, 2, 2], [7, 3, 6]],其中第二元素 y_true[0,1] == 0,torchmetrics 将其分母视为 1.17e-06,造成主导性偏差。而你的自定义函数使用 epsilon=1,使该项误差变为 |2−0|/1 = 2,整体可控。
✅ 正确解决方案:
-
显式传入更大
eps(推荐):torchmetrics的MeanAbsolutePercentageError支持absolut和epsilon参数(注意:epsilon是构造器参数,非调用时传入):from torchmetrics import MeanAbsolutePercentageError import torch
mape_metric = MeanAbsolutePercentageError(epsilon=1.0) # 关键:设为业务可接受的最小真值量级 preds = torch.tensor([[3, 2, 2], [7, 3, 6]], dtype=torch.float32) targets = torch.tensor([[1, 0, 3], [4, 5, 6]], dtype=torch.float32)
result = mape_metric(preds, targets) * 100 print(result) # 输出: tensor(91.3889) —— 与你的自定义函数一致
2. **预处理过滤或平滑零值(谨慎使用)**:若零值确属无效标签(如缺失关键点),可在计算前掩码排除:
```python
def safe_mape(preds, targets, epsilon=1e-3):
preds, targets = preds.flatten(), targets.flatten()
valid_mask = targets != 0
if not valid_mask.any():
return torch.tensor(float('nan'))
abs_errors = torch.abs(preds[valid_mask] - targets[valid_mask])
rel_errors = abs_errors / torch.clamp(targets[valid_mask], min=epsilon)
return (rel_errors.mean() * 100).item()⚠️ 重要注意事项:
- 不要混淆参数顺序:
torchmetrics.MAPE的调用签名是mape(preds, targets),其中preds是模型输出(预测值),targets是真实标签(ground truth)——与你代码中calculate_mape_torch(y_pred, y_true)一致,但需确保张量类型为float(整数张量可能触发隐式精度问题); - 若任务本质是离散分类(如身份 ID 预测),请勿强行使用 MAPE;应选用
Accuracy、F1Score等分类指标; - 对于人脸关键点回归等场景,若坐标允许为零(如左上角原点),建议统一归一化到
(0,1]区间,或采用MeanSquaredError/MeanAbsoluteError等绝对误差指标,避免 MAPE 的固有缺陷。
总结:torchmetrics 的 MAPE 并非“bug”,而是对数值稳定性采取了保守策略;理解其 epsilon=1.17e-06 的设计意图,并根据实际数据分布主动设置合理 epsilon,即可获得可靠、可复现的结果。


















