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.
Другие уроки курса "Python"
- Просмотр внешних файлов в %pycat
- Переворот списка в Python
- Профилирование с Pandas
- Измерение времени выполнения в Python
- Скачать видео с YouTube
- Библиотека Chartify: руководство
- Преобразование регистра строк
- Получение текущей даты и времени с помощью datetime
- Работа с Event() в threading
- Оператор Walrus: правильное использование
- Философия Python
- Область видимости переменных
- Генерация тестовых данных с factory_boy
- Оператор морж в Python 3.8
- Оптимизация методов в Python 3.7
- Получение обратного списка чисел
- Оптимизация памяти с __slots__
- Профилирование кода
- Создание вложенного генератора
- Метод rlshift для битового сдвига
- Преобразование символов с помощью map
- Создание таблиц в терминале с PrettyTable
- Функции min(), max(), sum()
- Непрерывная проверка в Python
- Форматирование строк с % в Python
- F-строки в Python 3.8
- Перемещение и удаление файлов в Python
- Представление бесконечности в Python
- ROT13 Шифр Цезаря в Python
- Поиск частых элементов в списке
- Новшества Flask 2.0
- Обратное распространение ошибки
- Создание именованных кортежей в Python
- Работа с SQLite в Python
- Декораторы в Python
- Применение функции к списку
- Python: библиотеки и функции
- Поиск наиболее частого элемента списке
- Глубокое копирование объектов
- Округление в Python
- Bootle — простой веб-фреймворк
- Лямбда-функции в Python
- Получение списка кортежей из словаря
- Ограничение ресурсов в Python
- Регулярные выражения в Python
- Структурирование именованных констант















