CommencezCommencez gratuitement

Évaluer des modèles de prévision

C'est le moment d'évaluer ! Le même réseau LSTM que vous avez entraîné dans l'exercice précédent a été entraîné pour vous pendant quelques époques de plus et est disponible sous le nom net.

Votre tâche est de l'évaluer sur un jeu de test à l'aide de la mesure de l'erreur quadratique moyenne (la bibliothèque torchmetrics a déjà été importée pour vous). Voyons comment le modèle s'en sort !

Cette activité fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Voir le cours

Instructions de l’exercice

  • Définissez la mesure de l'erreur quadratique moyenne et assignez-la à mse.
  • Passez la séquence d'entrée à net, puis appliquez squeeze au résultat avant de l'assigner à outputs.
  • Calculez la valeur finale de la mesure de test et assignez-la à test_mse.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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}")
Modifier et exécuter le code