CommencerCommencer gratuitement

Évaluation des modèles de prévision

C'est l'heure de l'évaluation ! Le même réseau LSTM que vous avez formé dans l'exercice précédent a été formé pour vous pendant quelques époques supplémentaires et est disponible à l'adresse net.

Votre tâche consiste à l'évaluer sur un ensemble de données de test à l'aide de la mesure de l'erreur quadratique moyenne (torchmetrics a déjà été importé pour vous). Voyons si le modèle se porte bien !

Cet exercice fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définissez la mesure de l'erreur quadratique moyenne et attribuez-la à mse.
  • Passez la séquence d'entrée à net, et comprimez le résultat avant de l'affecter à outputs.
  • Calculer la valeur finale de la métrique d'essai en l'affectant à test_mse.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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