Logga utvärderingsmått

Att spåra prestandamått gör det möjligt att upptäcka försämringar i tid, och du kan fatta beslut om när modellen behöver uppdateras för att hålla en hög noggrannhet. Du bestämmer dig för att logga mått efter att modellen har slutfört en utvärderingsloop.

En del data har förinstallerats:

accelerator är en instans av Accelerator
eval_metric är en ordlista med mått som accuracy och f1
num_epochs är antalet epoker

Den här övningen är en del av kursen

Effektiv AI-modellträning med PyTorch

Visa kurs

Övningsinstruktioner

Anropa en metod för att logga modellens utvärderingsmått.
Logga "accuracy" och "f1"-poängen som utvärderingsmått.
Spåra epochnumret genom att skicka loopvariabeln epoch till parametern step.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

accelerator = Accelerator(project_dir=".", log_with="all")
accelerator.init_trackers("my_project")

for epoch in range(num_epochs):
    # Training loop is here
    # Evaluation loop is here
    # Call a method to log metrics
    accelerator.log({
        # Log accuracy and F1 score as metrics
        "accuracy": ____["accuracy"],
        "f1": ____["f1"],
    # Track the epoch number
    }, step=____)

accelerator.end_training()

Redigera och kör kod