CommencerCommencer gratuitement

Évaluer des modèles de prévision

C’est le moment de l’évaluation ! Le même réseau LSTM que vous avez entraîné dans l’exercice précédent a été entraîné pour vous pendant quelques époques supplémentaires et est disponible sous net.

Votre tâche est de l’évaluer sur un jeu de test à l’aide de la métrique de l’erreur quadratique moyenne (Mean Squared Error, torchmetrics a déjà été importé pour vous). Voyons comment le modèle se comporte !

Cet exercice fait partie du cours

Deep learning intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définissez la métrique d’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 métrique de test et assignez-la 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