LoslegenKostenlos starten

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

<Kurs>Deep Learning mit PyTorch für Fortgeschrittene</Kurs>
Kurs ansehen

Übungsanweisungen

  • 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 praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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}")
Code bearbeiten und ausführen