Obliczanie dokładności za pomocą torchmetrics
Śledzenie dokładności podczas treningu pozwala wskazać epokę, w której model osiąga najlepsze wyniki.
W tym ćwiczeniu użyjesz biblioteki torchmetrics, aby obliczyć dokładność na zbiorze danych z maskami na twarz zawierającym trzy klasy. Funkcja plot_errors wyróżni błędnie sklasyfikowane próbki, co pomoże przeanalizować błędy modelu.
Pakiet torchmetrics jest już zaimportowany. Wyjście modelu outputs to prawdopodobieństwa softmax, a labels to wektory zakodowane metodą one-hot.
To ćwiczenie jest częścią kursu
Wprowadzenie do uczenia głębokiego z PyTorch
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create accuracy metric
metric = torchmetrics.____(____, ____)
for features, labels in dataloader:
outputs = model(features)
# Calculate accuracy over the batch
metric.____(____, ____)