0
点赞
收藏
分享

微信扫一扫

深度学习入门:猫狗分类4-模型测试与训练流程可视化

前文基于训练数据集完成了模型训练,下面对模型在测试数据集上的准确率进行评估。

核心代码如下:

model.eval()	#将模型设置为评估模式
correct = 0	 #用于记录正确预测的数量
total = 0 	#用于记录总的样本数量

with torch.no_grad():		#暂时禁用梯度计算,在评估模型时使用可以有效减少内存消耗
	for inputs,labels in test_loader:
  		inputs, labels = inputs.to(device),labels.to(device)
    	outputs = model(inputs)
    	_,predicted = torch.max(outputs.data,1)
    	total+=labels.size(0)
    	correct += (predicted == labels).sum().item()
    	accuracy = correct/total*100
    	print('Accuray:{:.2f}%'.format(accuracy))
    	swanlab.log({"test_acc":accuracy})

循环遍历test_loader,对测试数据集中的每一批数据执行相关操作。

  • outputs = model(inputs):通过模型前向传播得到输出。
  • _, predicted = torch.max(outputs.data, 1):使用torch.max函数找到输出中最大值的索引,即模型的预测结果。
  • total += labels.size(0):更新总样本数量。
  • correct += (predicted == labels).sum().item():计算这一批数据中预测正确的数量,并累加到correct中。

执行完成后,在swanlab网站就可以查看到本次训练的执行结果,以可视化图表形式展示:

深度学习入门:猫狗分类4-模型测试与训练流程可视化_pytorch


举报

相关推荐

0 条评论