Оцінювання Моделі
Підготовка до оцінювання
Перед початком процесу оцінювання на тестовому наборі необхідно переконатися у наступному:
-
Перевести модель у режим оцінювання: використовуйте
model.eval(), щоб вимкнути такі функції, як dropout і пакетна нормалізація, забезпечуючи стабільну поведінку під час оцінювання; -
Вимкнути відстеження градієнтів: використовуйте
torch.no_grad(), щоб зекономити пам'ять і пришвидшити обчислення, оскільки градієнти під час оцінювання не потрібні.
# Set the model to evaluation mode
model.eval()
# Disable gradient computation for evaluation
with torch.no_grad():
# Forward pass on the test data
test_predictions = model(X_test)
Перетворення передбачень
Як вже згадувалося раніше, вихід моделі — це логіти (сирі оцінки). Щоб отримати передбачені мітки класів, використовується torch.argmax для визначення індексу максимального значення по виміру класу.
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
Обчислення метрик
Для задач класифікації точність є корисною початковою метрикою, якщо датасет збалансований.
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
Для отримання глибшого розуміння продуктивності моделі можна обчислити додаткові метрики, такі як точність (precision), повнота (recall) та F1-міра (F1-score). Докладніше про ці метрики та їх формули можна дізнатися у цій статті, використовуючи відповідні формули.
Повна реалізація
123456789101112131415161718import torch import os os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null') from model_training import model, X_test, y_test # Set model to evaluation mode model.eval() # Disable gradient tracking with torch.no_grad(): # Forward pass test_predictions = model(X_test) # Get predicted classes predicted_labels = torch.argmax(test_predictions, dim=1) # Calculate accuracy correct_predictions = (predicted_labels == y_test).sum().item() accuracy = correct_predictions / len(y_test) * 100 print(f"Test accuracy: {accuracy:.2f}%")
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Can you explain what precision, recall, and F1-score mean?
How can I calculate precision, recall, and F1-score in PyTorch?
Why is it important to use metrics other than accuracy for imbalanced datasets?
Awesome!
Completion rate improved to 5Оцінювання Моделі
Свайпніть щоб показати меню
Підготовка до оцінювання
Перед початком процесу оцінювання на тестовому наборі необхідно переконатися у наступному:
-
Перевести модель у режим оцінювання: використовуйте
model.eval(), щоб вимкнути такі функції, як dropout і пакетна нормалізація, забезпечуючи стабільну поведінку під час оцінювання; -
Вимкнути відстеження градієнтів: використовуйте
torch.no_grad(), щоб зекономити пам'ять і пришвидшити обчислення, оскільки градієнти під час оцінювання не потрібні.
# Set the model to evaluation mode
model.eval()
# Disable gradient computation for evaluation
with torch.no_grad():
# Forward pass on the test data
test_predictions = model(X_test)
Перетворення передбачень
Як вже згадувалося раніше, вихід моделі — це логіти (сирі оцінки). Щоб отримати передбачені мітки класів, використовується torch.argmax для визначення індексу максимального значення по виміру класу.
# Convert logits to predicted class labels
predicted_labels = torch.argmax(test_predictions, dim=1)
Обчислення метрик
Для задач класифікації точність є корисною початковою метрикою, якщо датасет збалансований.
# Calculate accuracy
correct_predictions = (predicted_labels == y_test).sum().item()
accuracy = correct_predictions / len(y_test) * 100
print(f"Test accuracy: {accuracy:.2f}%")
Для отримання глибшого розуміння продуктивності моделі можна обчислити додаткові метрики, такі як точність (precision), повнота (recall) та F1-міра (F1-score). Докладніше про ці метрики та їх формули можна дізнатися у цій статті, використовуючи відповідні формули.
Повна реалізація
123456789101112131415161718import torch import os os.system('wget https://staging-content-media-cdn.codefinity.com/courses/1dd2b0f6-6ec0-40e6-a570-ed0ac2209666/section_3/model_training.py 2>/dev/null') from model_training import model, X_test, y_test # Set model to evaluation mode model.eval() # Disable gradient tracking with torch.no_grad(): # Forward pass test_predictions = model(X_test) # Get predicted classes predicted_labels = torch.argmax(test_predictions, dim=1) # Calculate accuracy correct_predictions = (predicted_labels == y_test).sum().item() accuracy = correct_predictions / len(y_test) * 100 print(f"Test accuracy: {accuracy:.2f}%")
Дякуємо за ваш відгук!
