ComenzarEmpieza gratis

Evaluación del modelo

Con el bucle de entrenamiento resuelto, has entrenado el modelo durante 1000 épocas y está disponible como net. También has configurado un test_dataloader exactamente igual que hiciste antes con train_dataloader, solo que leyendo los datos del directorio de prueba en lugar del de entrenamiento.

Ahora puedes evaluar el modelo con datos de prueba. Para ello, tendrás que escribir el bucle de evaluación para iterar sobre los lotes de datos de prueba, obtener las predicciones del modelo para cada lote y calcular su puntuación de precisión. ¡Hagámoslo!

Este ejercicio forma parte del curso

Aprendizaje profundo intermedio con PyTorch

Ver curso

Instrucciones de ejercicio

  • Configura la métrica de evaluación como Accuracy para la clasificación binaria y asígnala a acc.
  • Para cada lote de datos de prueba, obtén las salidas del modelo y asígnalas a outputs.
  • Después del bucle, calcula la precisión total de la prueba y asígnala a test_accuracy.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

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}")
Editar y ejecutar código