Aan de slagGa gratis aan de slag

Voorspellingsmodellen evalueren

Tijd om te evalueren! Hetzelfde LSTM-netwerk dat je in de vorige oefening hebt getraind, is voor jou nog een paar epochs verder getraind en beschikbaar als net.

Jouw taak is om het te evalueren op een testgegevensset met de Mean Squared Error-metriek (torchmetrics is al voor je geïmporteerd). Laten we kijken hoe goed het model het doet!

Deze oefening maakt deel uit van de cursus

Gevorderde Deep Learning met PyTorch

Cursus bekijken

Oefeninstructies

  • Definieer de Mean Squared Error-metriek en wijs deze toe aan mse.
  • Geef de invoersequentie door aan net, en squeeze het resultaat voordat je het toewijst aan outputs.
  • Bereken de uiteindelijke waarde van de testmetriek en wijs deze toe aan test_mse.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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}")
Code bewerken en uitvoeren