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. Просмотр внешних файлов в %pycat
  2. Переворот списка в Python
  3. Профилирование с Pandas
  4. Измерение времени выполнения в Python
  5. Скачать видео с YouTube
  6. Библиотека Chartify: руководство
  7. Преобразование регистра строк
  8. Получение текущей даты и времени с помощью datetime
  9. Работа с Event() в threading
  10. Оператор Walrus: правильное использование
  11. Философия Python
  12. Область видимости переменных
  13. Генерация тестовых данных с factory_boy
  14. Оператор морж в Python 3.8
  15. Оптимизация методов в Python 3.7
  16. Получение обратного списка чисел
  17. Оптимизация памяти с __slots__
  18. Профилирование кода
  19. Создание вложенного генератора
  20. Метод rlshift для битового сдвига
  21. Преобразование символов с помощью map
  22. Создание таблиц в терминале с PrettyTable
  23. Функции min(), max(), sum()
  24. Непрерывная проверка в Python
  25. Форматирование строк с % в Python
  26. F-строки в Python 3.8
  27. Перемещение и удаление файлов в Python
  28. Представление бесконечности в Python
  29. ROT13 Шифр Цезаря в Python
  30. Поиск частых элементов в списке
  31. Новшества Flask 2.0
  32. Обратное распространение ошибки
  33. Создание именованных кортежей в Python
  34. Работа с SQLite в Python
  35. Декораторы в Python
  36. Применение функции к списку
  37. Python: библиотеки и функции
  38. Поиск наиболее частого элемента списке
  39. Глубокое копирование объектов
  40. Округление в Python
  41. Bootle — простой веб-фреймворк
  42. Лямбда-функции в Python
  43. Получение списка кортежей из словаря
  44. Ограничение ресурсов в Python
  45. Регулярные выражения в Python
  46. Структурирование именованных констант

Marketello читают маркетологи из крутых компаний