Linux PyTorch如何进行模型评估 - 问答

在Linux环境下使用PyTorch进行模型评估，通常涉及以下步骤：

加载预训练模型：首先，你需要加载已经训练好的模型。这通常是通过torch.load()函数完成的，该函数可以从文件中加载模型权重。
```
import torch
model = torch.load('model.pth')  # 假设模型权重保存在model.pth文件中
model.eval()  # 将模型设置为评估模式
```

准备数据加载器：使用torch.utils.data.DataLoader来加载测试数据集。确保数据加载器返回的数据是模型所需的输入格式。

from torch.utils.data import DataLoader
test_dataset = ...  # 加载你的测试数据集
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

评估模型：遍历测试数据集，将数据输入模型，并计算损失和准确率等指标。

criterion = torch.nn.CrossEntropyLoss()  # 假设是分类任务
total_loss = 0.0
correct = 0
total = 0

with torch.no_grad():  # 在评估模式下，不需要计算梯度
    for inputs, targets in test_loader:
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        total_loss += loss.item()
        
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct += (predicted == targets).sum().item()

accuracy = 100 * correct / total
avg_loss = total_loss / len(test_loader)
print(f'Accuracy: {accuracy:.2f}%')
print(f'Average Loss: {avg_loss:.4f}')

可视化结果（可选）：如果需要，可以使用matplotlib或其他可视化库来绘制损失曲线或准确率曲线。

import matplotlib.pyplot as plt

# 假设你有一个列表来存储每个epoch的损失
losses = []

# 在训练过程中，你可以这样做：
# for epoch in range(num_epochs):
#     ...
#     losses.append(loss.item())

# 然后在评估之后绘制损失曲线
plt.plot(losses)
plt.title('Loss Curve')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()

保存评估结果（可选）：如果你想将评估结果保存到文件中，可以使用Python的文件操作功能。

with open('evaluation_results.txt', 'w') as f:
    f.write(f'Accuracy: {accuracy:.2f}%\n')
    f.write(f'Average Loss: {avg_loss:.4f}\n')

确保在执行上述代码之前已经安装了PyTorch和相关的依赖库。如果你还没有安装PyTorch，可以访问PyTorch官网获取安装指令。

0 赞

0 踩