免費(fèi)AI編程助手
辛辛苦苦訓(xùn)練一個(gè)模型，怎么檢測(cè)這個(gè)模型是否好用？模型準(zhǔn)確率是衡量這個(gè)模型是否好用的一個(gè)重要標(biāo)準(zhǔn)。那么pytorch怎么求模型準(zhǔn)確率呢？接下來(lái)的這篇文章教你常用的求模型準(zhǔn)確率的兩種方法。
方法一：直接在epoch過(guò)程中求取準(zhǔn)確率
簡(jiǎn)介：此段代碼是LeNet5中截取的。
def train_model(model,train_loader):
optimizer = torch.optim.Adam(model.parameters())
loss_func = nn.CrossEntropyLoss()
EPOCHS = 5
for epoch in range(EPOCHS):
correct = 0
for batch_idx,(X_batch,y_batch) in enumerate(train_loader):
optimizer.zero_grad()
#這里是只取訓(xùn)練數(shù)據(jù)的意思嗎，X_batch和y_batch是怎么分開(kāi)的?
#答：X_batch和y_batch是一一對(duì)應(yīng)的，只不過(guò)順序打亂了，參考torch.utils.data.ipynb
output = model(X_batch.float()) #X_batch.float()是什么意思
loss = loss_func(output,y_batch)
loss.backward()
optimizer.step()
# Total correct predictions
#第一個(gè)1代表取每行的最大值，第二個(gè)1代表只取最大值的索引
#這兩行代碼是求準(zhǔn)確率的地方
predicted = torch.max(output.data,1)[1]
correct += (predicted == y_batch).sum()
#print(correct)
if batch_idx % 100 == 0:
print('Epoch :{}[{}/{}({:.0f}%)] Loss:{:.6f} Accuracy:{:.3f}'.format(epoch,batch_idx * len(X_batch),len(train_loader.dataset),100.*batch_idx / len(train_loader),loss.data.item(),float(correct*100)/float(BATCH_SIZE)*(batch_idx+1)))
if __name__ == '__main__':
myModel = LeNet5()
print(myModel)
train_model(myModel,train_loader)
evaluate(myModel,test_loader,BATCH_SIZE)方法二：構(gòu)建函數(shù)，然后在epoch中調(diào)用該函數(shù)
簡(jiǎn)介：此段代碼是對(duì)Titanic(泰坦尼克號(hào)）數(shù)據(jù)分析截取。
epochs = 10
log_step_freq = 30
dfhistory = pd.DataFrame(columns = ['epoch','loss',metric_name,'val_loss','val_'+metric_name])
print('Start Training...')
nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
print('========='*8 + '%s'%nowtime)
for epoch in range(1,epochs+1):
#1.訓(xùn)練循環(huán)
net.train()
loss_sum = 0.0
metric_sum = 0.0
step = 1
for step,(features,labels) in enumerate(dl_train,1):
#梯度清零
optimizer.zero_grad()
#正向傳播求損失
predictions = net(features)
loss = loss_func(predictions,labels)
metric = metric_func(predictions,labels)
#反向傳播求梯度
loss.backward()
optimizer.step()
#打印batch級(jí)別日志
loss_sum += loss.item()
metric_sum += metric.item()
if step%log_step_freq == 0:
print(('[Step = %d] loss: %.3f,' + metric_name+': %.3f %%')%(step,loss_sum/step,100*metric_sum/step))
#2,驗(yàn)證循環(huán)
net.eval()
val_loss_sum = 0.0
val_metric_sum = 0.0
val_step =1
for val_step,(features,labels) in enumerate(dl_valid,1):
#關(guān)閉梯度計(jì)算
with torch.no_grad():
pred = net(features)
val_loss = loss_func(pred,labels)
val_metric = metric_func(labels,pred)
val_loss_sum += val_loss.item()
val_metric_sum += val_metric.item()
#3,記錄日志
info = (epoch,loss_sum/step,100*metric_sum/step,
val_loss_sum/val_step,100*val_metric_sum/val_step)
dfhistory.loc[epoch-1] = info
#打印epoch級(jí)別日志
print(('
EPOCH = %d,loss = %.3f,' + metric_name+
'=%.3f %%,val_loss = %.3f'+' val_'+metric_name+'= %.3f %%')%info)
nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
print('
'+'=========='*8 + '%s'%nowtime)
print('Finishing Training...')
補(bǔ)充：Pytorch實(shí)現(xiàn)Top1準(zhǔn)確率和Top5準(zhǔn)確率
之前一直不清楚Top1和Top5是什么，其實(shí)搞清楚了很簡(jiǎn)單，就是兩種衡量指標(biāo)，其中，Top1就是普通的Accuracy，Top5比Top1衡量標(biāo)準(zhǔn)更“嚴(yán)格”，
具體來(lái)講，比如一共需要分10類，每次分類器的輸出結(jié)果都是10個(gè)相加為1的概率值，Top1就是這十個(gè)值中最大的那個(gè)概率值對(duì)應(yīng)的分類恰好正確的頻率，而Top5則是在十個(gè)概率值中從大到小排序出前五個(gè)，然后看看這前五個(gè)分類中是否存在那個(gè)正確分類，再計(jì)算頻率。
Pytorch實(shí)現(xiàn)如下：
def evaluteTop1(model, loader):
model.eval()
correct = 0
total = len(loader.dataset)
for x,y in loader:
x,y = x.to(device), y.to(device)
with torch.no_grad():
logits = model(x)
pred = logits.argmax(dim=1)
correct += torch.eq(pred, y).sum().float().item()
#correct += torch.eq(pred, y).sum().item()
return correct / total
def evaluteTop5(model, loader):
model.eval()
correct = 0
total = len(loader.dataset)
for x, y in loader:
x,y = x.to(device),y.to(device)
with torch.no_grad():
logits = model(x)
maxk = max((1,5))
y_resize = y.view(-1,1)
_, pred = logits.topk(maxk, 1, True, True)
correct += torch.eq(pred, y_resize).sum().float().item()
return correct / total
注意：
y_resize = y.view(-1,1)是非常關(guān)鍵的一步，在correct的運(yùn)算中，關(guān)鍵就是要pred和y_resize維度匹配，而原來(lái)的y是[128]，128是batch大??；
pred的維度則是[128,10]，假設(shè)這里是CIFAR10十分類；因此必須把y轉(zhuǎn)化成[128,1]這種維度，但是不能直接是y.view(128,1)，因?yàn)楸闅v整個(gè)數(shù)據(jù)集的時(shí)候，
最后一個(gè)batch大小并不是128，所以view()里面第一個(gè)size就設(shè)為-1未知，而確保第二個(gè)size是1就行
補(bǔ)充：topk函數(shù)的具體用法
pytorch -- topk()
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor)沿給定dim維度返回輸入張量input中 k 個(gè)最大值。
如果不指定dim，則默認(rèn)為input的最后一維。
如果為largest為 False ，則返回最小的 k 個(gè)值。
返回一個(gè)元組 (values,indices)，其中indices是原始輸入張量input中測(cè)元素下標(biāo)。
如果設(shè)定布爾值sorted 為_(kāi)True_，將會(huì)確保返回的 k 個(gè)值被排序。
參數(shù)
input (Tensor) – 輸入張量
k (int) – “top-k”中的k
dim (int, optional) – 排序的維
largest (bool, optional) – 布爾值，控制返回最大或最小值
sorted (bool, optional) – 布爾值，控制返回值是否排序
out (tuple, optional) – 可選輸出張量 (Tensor, LongTensor) output buffer
實(shí)例
假設(shè)神經(jīng)網(wǎng)絡(luò)的輸出如下，為二分類。batch_size=4
import torch
output = torch.tensor([[-5.4783, 0.2298],
[-4.2573, -0.4794],
[-0.1070, -5.1511],
[-0.1785, -4.3339]])得到其top1值操作如下：
maxk = max((1,)) # 取top1準(zhǔn)確率，若取top1和top5準(zhǔn)確率改為max((1,5))
_, pred = output.topk(maxk, 1, True, True)topk參數(shù)中，maxk取得是top1準(zhǔn)確率，dim=1是按行取值， largest=1是取最大值
結(jié)果如下，
_
tensor([[ 0.2298],
[-0.4794],
[-0.1070],
[-0.1785]])pred
tensor([[1],
[1],
[0],
[0]])_是top1的值，pred是最大值的索引（size=4*1），一般會(huì)進(jìn)行轉(zhuǎn)置處理同真實(shí)值對(duì)比
以上就是pytorch怎么求模型準(zhǔn)確率的全部?jī)?nèi)容，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
