CommencerCommencer gratuitement

Évaluation du modèle

La boucle d'apprentissage étant réglée, vous avez entraîné le modèle pendant 1000 époques et vous pouvez le consulter à l'adresse net. Vous avez également configuré un site test_dataloader exactement de la même manière que vous l'avez fait avec train_dataloader auparavant - en lisant simplement les données à partir du répertoire test plutôt que du répertoire train.

Vous pouvez maintenant évaluer le modèle sur des données de test. Pour ce faire, vous devrez écrire la boucle d'évaluation pour itérer sur les lots de données de test, obtenir les prédictions du modèle pour chaque lot et calculer le score de précision pour celui-ci. C'est parti !

Cet exercice fait partie du cours

Deep learning intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définissez la mesure d'évaluation comme Accuracy pour la classification binaire et affectez-la à acc.
  • Pour chaque lot de données d'essai, obtenez les résultats du modèle et affectez-les à outputs.
  • Après la boucle, calculez la précision totale du test et affectez-la à test_accuracy.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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}")
Modifier et exécuter le code