Курс Python → Тестирование модели в PyTorch

Для того чтобы эффективно оценивать работу нашей модели машинного обучения, необходимо определить метод тестирования. Этот метод позволит нам проверить качество работы модели на тестовом наборе данных и вывести точность предсказаний. Основное отличие метода тестирования от обучения заключается в том, что в процессе тестирования мы используем функцию model.eval(), чтобы перевести модель в режим тестирования. Также важно использовать torch.no_grad(), чтобы отключить вычисление градиента, поскольку во время тестирования обратное распространение не требуется.

Для начала необходимо перевести модель в режим тестирования с помощью функции model.eval(). Это гарантирует, что все слои модели будут работать в режиме тестирования, что может влиять на поведение некоторых слоев, таких как Dropout или BatchNorm. Затем мы используем torch.no_grad(), чтобы временно отключить автоматическое дифференцирование и вычисление градиента. Это позволяет ускорить процесс тестирования, поскольку не нужно хранить градиенты для обновления весов модели.


model.eval()

with torch.no_grad():
    for inputs, labels in test_loader:
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        test_loss += loss.item()
        _, predicted = torch.max(outputs, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

test_accuracy = correct / total

Наконец, после прохождения всех тестовых данных, мы вычисляем средние потери для всего тестового набора и общую точность предсказаний. Это позволяет оценить, насколько хорошо модель обучилась и способна предсказывать значения на новых данных. Результаты тестирования помогут нам понять, какие улучшения можно внести в модель для повышения ее эффективности и точности предсказаний.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Работа с датами в Python
  2. Переворот строки с использованием цикла
  3. Python UserString — создание подклассов строк
  4. Разделение строки с помощью re.split()
  5. Копирование файлов с shutil()
  6. Печать списка с помощью метода join
  7. Метод hash в Python
  8. Метод join() для объединения элементов в строку.
  9. Функции-генераторы в Python
  10. Декораторы в Python
  11. Установка и использование Python-dateutil
  12. Проверка переменных окружения в Python
  13. Определение объема памяти объекта
  14. Создание вложенного генератора
  15. Разделение списка на гнппы
  16. Ускорение выполнения кода в Python
  17. Замена текста в Python
  18. Улучшенные подсказки для импорта в Python 3.12
  19. Базовые объекты Python
  20. Получение размера объекта с sys.getsizeof()
  21. Логирование в Python
  22. Декоратор total_ordering для класса Point
  23. Удаление специальных символов с помощью re.sub
  24. Получение частей дроби
  25. Методы работы со строками в Python
  26. Пропуск строк в файле с itertools
  27. Парсинг статей с Newspaper3k
  28. Переопределение метода __and__
  29. Работа с прокси в Python
  30. Python Ellipsis использование
  31. Блок else в обработке исключений
  32. Отображение графиков в Jupyter с Matplotlib
  33. Получение локальных переменных в Python
  34. Оператор морж в Python 3.8
  35. Импорт объектов из модулей
  36. Метод rmatmul для обратного матричного умножения
  37. Проекты на Python
  38. Переворот последовательности
  39. Python: Фильтрация списков с помощью filter()
  40. Нахождение максимального значения и его индекса в списке
  41. Работа с комплексными числами
  42. Работа с геоданными с помощью geopy
  43. Подсчет элементов в Python
  44. Форматирование чисел в Python
  45. Работа с изменяемыми списками

Marketello читают маркетологи из крутых компаний