เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การวิเคราะห์ metric แยกตามคลาส

แม้ว่า metric แบบรวม (aggregated) จะเป็นตัวชี้วัดประสิทธิภาพของโมเดลที่มีประโยชน์ แต่การดู metric แยกตามคลาสมักให้ข้อมูลเชิงลึกที่มีคุณค่ายิ่งกว่า เพราะช่วยให้เห็นว่าโมเดลทำงานได้ไม่ดีในคลาสใดบ้าง

ในแบบฝึกหัดนี้ จะรันลูปการประเมินผลอีกครั้งเพื่อหาค่า precision ของตัวจำแนกประเภทเมฆ แต่คราวนี้จะแยกคำนวณทีละคลาส จากนั้นจะแมปคะแนนเหล่านี้กับชื่อคลาสเพื่อตีความผลลัพธ์ โดย Precision ได้ import ไว้ให้แล้วเช่นเคย ขอให้โชคดี!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning ระดับกลางด้วย PyTorch

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนด precision metric ที่เหมาะสมสำหรับการคำนวณแบบแยกตามคลาส
  • คำนวณค่า precision แยกตามคลาสโดยเติม dict comprehension ให้สมบูรณ์ โดยวนซ้ำผ่าน .items() ของ attribute .class_to_idx ของ dataset_test

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Define precision metric
metric_precision = Precision(
    ____, ____, ____
)

net.eval()
with torch.no_grad():
    for images, labels in dataloader_test:
        outputs = net(images)
        _, preds = torch.max(outputs, 1)
        metric_precision(preds, labels)
precision = metric_precision.compute()

# Get precision per class
precision_per_class = {
    k: ____[____].____
    for k, v 
    in ____
}
print(precision_per_class)
แก้ไขและรันโค้ด