Torch中怎么进行模型评估

avatar
作者
筋斗云
阅读量:0

在Torch中进行模型评估通常需要使用验证集或测试集来评估模型的性能。下面是一个基本的示例来展示如何在Torch中进行模型评估:

import torch import torch.nn as nn import torch.optim as optim  # 定义模型 class SimpleModel(nn.Module):     def __init__(self):         super(SimpleModel, self).__init__()         self.fc = nn.Linear(10, 1)          def forward(self, x):         return self.fc(x)  # 创建模型实例 model = SimpleModel()  # 加载训练好的模型参数 model.load_state_dict(torch.load('model.pth'))  # 定义评估函数 def evaluate(model, dataloader, criterion):     model.eval()     total_loss = 0.0     total_samples = 0          with torch.no_grad():         for inputs, targets in dataloader:             outputs = model(inputs)             loss = criterion(outputs, targets)             total_loss += loss.item() * inputs.size(0)             total_samples += inputs.size(0)          avg_loss = total_loss / total_samples     return avg_loss  # 创建验证集的数据加载器 val_dataloader = ...  # 定义损失函数 criterion = nn.MSELoss()  # 计算模型在验证集上的平均损失 avg_val_loss = evaluate(model, val_dataloader, criterion)  print('Average validation loss:', avg_val_loss) 

在上面的示例中,首先定义了一个简单的模型SimpleModel,然后加载了预训练好的模型参数。接着定义了评估函数evaluate来计算模型在验证集上的平均损失。最后,通过调用evaluate函数来评估模型在验证集上的性能,并输出平均损失值。

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!