ComeçarComece gratuitamente

Avaliação do modelo

Com o loop de treinamento resolvido, você treinou o modelo por 1000 épocas e ele está disponível para você como net. Você também configurou um test_dataloader exatamente da mesma forma que fez com train_dataloader anteriormente, apenas lendo os dados do diretório de teste em vez do diretório de treinamento.

Agora você pode avaliar o modelo em dados de teste. Para fazer isso, você precisará escrever o loop de avaliação para iterar sobre os lotes de dados de teste, obter as previsões do modelo para cada lote e calcular a pontuação de precisão para ele. Vamos lá!

Este exercício faz parte do curso

Aprendizagem profunda intermediária com PyTorch

Ver Curso

Instruções de exercício

  • Configure a métrica de avaliação como Accuracy para classificação binária e atribua-a a acc.
  • Para cada lote de dados de teste, obtenha os resultados do modelo e atribua-os a outputs.
  • Após o loop, calcule a precisão total do teste e atribua-a a test_accuracy.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

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}")
Editar e executar código