Erste SchritteKostenlos loslegen

Modellevaluierung

Nachdem die Trainingsschleife fertig ist, hast du das Modell für 1000 Epochen trainiert, und es steht dir als net zur Verfügung. Du hast auch einen test_dataloader auf genau die gleiche Weise eingerichtet wie zuvor bei train_dataloader – nur dass die Daten diesmal aus dem Test- statt dem Trainingsverzeichnis gelesen werden.

Du kannst jetzt das Modell mit den Testdaten evaluieren. Dafür musst du eine Evaluierungsschleife schreiben, die über die Batches der Testdaten iteriert, die Vorhersagen des Modells für jeden Batch erhält und den Genauigkeitswert dafür berechnet. Los geht’s!

Diese Übung ist Teil des Kurses

Deep Learning mit PyTorch für Fortgeschrittene

Kurs anzeigen

Anleitung zur Übung

  • Richte die Evaluierungsmetrik als Accuracy für binäre Klassifikation ein und weise sie acc zu.
  • Hole für jeden Batch von Testdaten die Ausgaben des Modells und weise sie outputs zu.
  • Berechne nach der Schleife die gesamte Testgenauigkeit und weise sie test_accuracy zu.

Interaktive Übung zum Anfassen

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

import torch
from torchmetrics import Accuracy

# Set up binary accuracy metric
acc = ____

net.eval()
with torch.no_grad():
    for features, labels in dataloader_test:
        # Get predicted probabilities for test data batch
        outputs = ____
        preds = (outputs >= 0.5).float()
        acc(preds, labels.view(-1, 1))

# Compute total test accuracy
test_accuracy = ____
print(f"Test accuracy: {test_accuracy}")
Bearbeiten und Ausführen von Code