PyTorch 在PyTorch中每个epoch计算准确率

在本文中，我们将介绍如何在PyTorch中每个epoch计算准确率。准确率是衡量机器学习模型性能的重要指标之一，它衡量模型在给定数据集上的预测准确程度。通过计算准确率，我们可以评估模型在训练过程中的改进情况并找到最佳的超参数设置。

准确率定义

在开始之前，我们先来明确一下准确率的定义。准确率是模型在给定数据集上正确分类的样本数与总样本数之比。可以用以下公式表示：

准确率 = 正确分类的样本数 / 总样本数

计算准确率的步骤

要计算每个epoch的准确率，我们需要按照以下步骤进行操作：

遍历训练数据集，并使用模型进行预测；
将预测结果和真实标签进行比较，计算出预测正确的样本数；
对预测正确的样本数除以总样本数，得到准确率。

接下来，我们将通过一个示例来演示如何在PyTorch中计算每个epoch的准确率。

示例代码

首先，我们导入需要的库，并定义一个简单的分类模型和一个用于训练的数据集。这里我们使用MNIST手写数字数据集作为示例。

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor

# 定义模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc = nn.Linear(784, 10)

    def forward(self, x):
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

# 加载数据集
train_dataset = MNIST(root='./data', train=True, transform=ToTensor(), download=True)
test_dataset = MNIST(root='./data', train=False, transform=ToTensor(), download=True)

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# 实例化模型和损失函数
model = Model()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

接下来，我们编写一个函数来计算准确率。在每个epoch结束时，我们将使用该函数计算测试集上的准确率。

def calculate_accuracy(model, data_loader):
    model.eval()
    correct = 0
    total = 0

    with torch.no_grad():
        for images, labels in data_loader:
            images = images.to(device)
            labels = labels.to(device)

            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)

            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    accuracy = correct / total
    return accuracy

在训练过程中，我们使用该函数计算每个epoch的准确率，并将其打印出来。

# 训练模型
num_epochs = 5
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0

    for images, labels in train_loader:
        images = images.to(device)
        labels = labels.to(device)

        optimizer.zero_grad()

        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

    train_loss = running_loss / len(train_loader)
    test_accuracy = calculate_accuracy(model, test_loader)

    print(f"Epoch {epoch+1}/{num_epochs} | Train Loss: {train_loss:.4f} | Test Accuracy: {test_accuracy:.4f}")

运行上述代码后，我们将看到每个epoch的训练损失和测试集准确率的输出。