Erste SchritteKostenlos loslegen

Prognosemodelle evaluieren

Zeit für die Evaluierung! Das gleiche LSTM-Netz, das du in der vorherigen Aufgabe trainiert hast, wurde für dich noch einige Epochen weiter trainiert und ist als net verfügbar.

Deine Aufgabe ist es, es mit der Mean-Squared-Error-Metrik auf einem Testdatensatz zu evaluieren (torchmetrics wurde bereits für dich importiert). Sehen wir mal, wie gut das Modell abschneidet!

Diese Übung ist Teil des Kurses

Deep Learning mit PyTorch für Fortgeschrittene

Kurs anzeigen

Anleitung zur Übung

  • Definiere die Mean-Squared-Error-Metrik und weise sie mse zu.
  • Übergib die Input-Sequenz an net und komprimiere das Ergebnis, bevor du es outputs zuweist.
  • Berechne den endgültigen Wert der Testmetrik und weise ihn test_mse zu.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Define MSE metric
mse = ____

net.eval()
with torch.no_grad():
    for seqs, labels in dataloader_test:
        seqs = seqs.view(32, 96, 1)
        # Pass seqs to net and squeeze the result
        outputs = ____
        mse(outputs, labels)

# Compute final metric value
test_mse = ____
print(f"Test MSE: {test_mse}")
Bearbeiten und Ausführen von Code