Journaliser les métriques d’évaluation

Suivre les métriques de performance vous permet de détecter les dégradations et de décider quand mettre à jour votre modèle pour conserver un haut niveau d’accuracy. Vous décidez d’enregistrer les métriques après que votre modèle a terminé une boucle d’évaluation.

Des données ont été préchargées :

accelerator est une instance de Accelerator
eval_metric est un dictionnaire de métriques comme accuracy et f1
num_epochs est le nombre d’époques

Cet exercice fait partie du cours

Entraîner efficacement des modèles d’IA avec PyTorch

Afficher le cours

Instructions

Appelez une méthode pour journaliser les métriques d’évaluation du modèle.
Enregistrez les scores "accuracy" et "f1" comme métriques d’évaluation.
Suivez le numéro d’époque en utilisant epoch de la boucle d’entraînement.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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
    ____.____({
        # Log accuracy and F1 score as metrics
        "accuracy": ____["accuracy"],
        "f1": ____["f1"],
    # Track the epoch number
    }, ____=____)

accelerator.end_training()

Modifier et exécuter le code