BaşlayınÜcretsiz başlayın

Tahmin modellerini değerlendirme

Değerlendirme zamanı! Önceki egzersizde eğittiğin aynı LSTM ağı, senin için birkaç epoch daha eğitildi ve net olarak hazır.

Görevin, onu bir test veri kümesi üzerinde Ortalama Kare Hatası (Mean Squared Error) metriğiyle değerlendirmek (torchmetrics zaten içe aktarılmış durumda). Bakalım model ne kadar iyi performans gösteriyor!

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Orta Düzey Deep Learning

Kursa Göz Atın

Egzersiz talimatları

  • Mean Squared Error metriğini tanımla ve mse değişkenine ata.
  • Girdi dizisini net'e geçir ve sonucu outputs'a atamadan önce sıkıştırmak için .squeeze() uygula.
  • Test metriğinin nihai değerini hesapla ve test_mse değişkenine ata.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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}")
Kodu Düzenle ve Çalıştır