
torchmetrics.MeanAbsolutePercentageError 在真实标签含零时会因未充分防除零而产生极大异常值,其内部 eps=1.17e-06 过小,无法有效抑制分母为零导致的数值爆炸;需手动规避零值或改用自定义稳健实现。
`torchmetrics.meanabsolutepercentageerror` 在真实标签含零时会因未充分防除零而产生极大异常值,其内部 `eps=1.17e-06` 过小,无法有效抑制分母为零导致的数值爆炸;需手动规避零值或改用自定义稳健实现。
在使用 torchmetrics 计算 Mean Absolute Percentage Error(MAPE) 时,若真实标签(ground truth)中存在 0 值,极易触发数值不稳定问题——这正是你观察到 tensor(28490084.) 这类荒谬高值的根本原因。
? 问题根源:eps 不足以应对真实零值
torchmetrics 的 MeanAbsolutePercentageError 实现中确实包含防除零机制,但其默认 eps = 1.17e-06(即 torch.finfo(torch.float32).tiny),仅用于浮点精度保护,并非面向业务场景的“安全分母”设计。当 targets[i] == 0 时,计算项变为:
[ \frac{|pred_i - 0|}{\max(\text{eps},\, 0)} = \frac{|pred_i|}{\text{eps}} \gg 1 ]
例如 pred_i = 2 → 2 / 1.17e-06 ≈ 1.7e6,单个样本即可主导整个 MAPE,完全丧失指标意义。
验证如下(复现你案例):
import torch import numpy as np from torchmetrics import MeanAbsolutePercentageError y_true = torch.tensor([[1, 0, 3], [4, 5, 6]], dtype=torch.float32) y_pred = torch.tensor([[3, 2, 2], [7, 3, 6]], dtype=torch.float32) mape_torch = MeanAbsolutePercentageError() print(mape_torch(y_pred, y_true) * 100) # 输出: tensor(28490084.) # 手动用 torchmetrics 内部 eps 复现(等价逻辑) eps = 1.17e-06 mape_manual = torch.mean(torch.abs(y_pred - y_true) / torch.clamp(y_true, min=eps)) * 100 print(mape_manual) # 同样输出 ~28490084.
✅ 正确解决方案
✅ 方案一:预处理 —— 屏蔽/过滤零标签样本(推荐用于回归任务)
def safe_mape_torch(preds, targets, eps=1e-3):
"""带业务级 eps 的 MAPE,自动忽略 target==0 的样本"""
preds, targets = preds.flatten(), targets.flatten()
valid_mask = targets != 0
if not valid_mask.any():
return torch.tensor(float('nan'))
# 使用合理 eps(如 1e-3)避免极端放大,同时保留非零样本
denominator = torch.where(valid_mask, targets, torch.tensor(eps))
errors = torch.abs(preds - targets) / denominator
return torch.mean(errors[valid_mask]) * 100
# 测试
print(safe_mape_torch(y_pred, y_true)) # 输出: tensor(91.3889) —— 与你的 NumPy 版一致
✅ 方案二:使用 torchmetrics 的 safe=True 参数(v1.3+ 支持)
⚠️ 注意:该参数仅在
torchmetrics>=1.3.0中可用,且行为是跳过所有target==0的样本(非填充eps):from torchmetrics import MeanAbsolutePercentageError mape_safe = MeanAbsolutePercentageError(safe=True) # 自动忽略零标签样本 print(mape_safe(y_pred, y_true) * 100) # tensor(91.3889)
❌ 避免方案:强行用极小 eps 补零
不推荐将 eps 设为 1e-8 或更小——它无法解决本质问题,反而使结果对微小扰动极度敏感,违背 MAPE 的可解释性初衷。
? 重要注意事项
-
MAPE 本身不适用于含零真实值的场景:其数学定义要求
y_true > 0。若你的任务中天然存在零(如人脸关键点坐标归零、缺失值标记),请优先考虑替代指标:Mean Absolute Error (MAE)Symmetric MAPE (sMAPE)- 分类指标(如关键点检测转为热图 +
Dice/IoU)
输入类型务必为
float:torchmetrics.MAPE对整数张量可能触发隐式类型转换异常,始终显式指定dtype=torch.float32。维度一致性:确保
preds与targets形状严格相同(广播不被支持),否则报错而非静默错误。
✅ 总结
torchmetrics.MAPE 的超高值并非 bug,而是其 eps 策略与实际业务零值冲突所致。不要依赖默认 eps 处理语义零。生产环境中,请统一采用 safe=True(新版)或自定义过滤逻辑,并在数据预处理阶段明确约定零值语义——这才是鲁棒指标实践的核心。











