Registrar métricas de evaluación

Hacer un seguimiento de las métricas de rendimiento te permite detectar degradaciones y decidir cuándo actualizar tu modelo para mantener un alto nivel de accuracy. Has decidido registrar métricas cuando tu modelo termine un bucle de evaluación.

Se han precargado algunos datos:

accelerator es una instancia de Accelerator
eval_metric es un diccionario de métricas como accuracy y f1
num_epochs es el número de épocas

Este ejercicio forma parte del curso

Entrenamiento eficiente de modelos de IA con PyTorch

Ver curso

Instrucciones del ejercicio

Llama a un método para registrar las métricas de evaluación del modelo.
Registra "accuracy" y "f1" como métricas de evaluación.
Controla el número de época pasando la variable del bucle epoch al parámetro step.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

accelerator = Accelerator(project_dir=".", log_with="all")
accelerator.init_trackers("my_project")

for epoch in range(num_epochs):
    # Training loop is here
    # Evaluation loop is here
    # Call a method to log metrics
    accelerator.log({
        # Log accuracy and F1 score as metrics
        "accuracy": ____["accuracy"],
        "f1": ____["f1"],
    # Track the epoch number
    }, step=____)

accelerator.end_training()

Editar y ejecutar código