Question

from dataset import get_strange_symbol_loader, get_strange_symbols_test_data
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim


class Net(nn.Module):
   def __init__(self):
    super().__init__()
    self.fc1 = nn.Linear(28*28, 512)
    self.fc2 = nn.Linear(512, 256)
    self.fc3 = nn.Linear(256, 15)

def forward(self,x):
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)

    return F.softmax(x, dim=1)


if __name__ == '__main__':
   net = Net()
   train, test = get_strange_symbol_loader(batch_size=128)
   loss_function = nn.CrossEntropyLoss()
   optimizer = optim.Adam(net.parameters(), lr=1e-3)
   Accuracy = []

   for epoch in range(30):   
       print("epoch",epoch)
       #Train
       for data in train:
           img, label = data  
           net.zero_grad()
           output = net(img.view(-1,28*28))
           loss = F.nll_loss(output, label)
           loss.backward()
           optimizer.step()
       #Test    
       correct, total = 0, 0
       with torch.no_grad():
          for data in test:
               img, label = data
               output = net(img.view(-1,784))
               for idx, i in enumerate(output):
                   if torch.argmax(i) == label[idx]:
                       correct += 1
                       total += 1
       Accuracy.append(round(correct/total, 3))
       print("Accuracy: ",Accuracy)

这是我用PyTorch建立的神经网络，它基于Sentdex。我正在使用由功能get_strange_symbol_loader(batch_size=128)导入的大学课程管理员提供的数据集。

当我运行这段代码时，它告诉我每个时代的准确性应该是1.0。但是，在包含纪元的for循环迭代之后运行#Test块会产生一些更实际的结果。为什么会这样？

我的目标是将测试精度与历时数作图，以在模型开始过度拟合之前找到模型的最佳历时数。

Answer 1

您正在区块中同时递增correct和total

if torch.argmax(i) == label[idx]:
    correct += 1
    total += 1

因此，两者始终具有相同的值，并且一个除以1.0即可。

检查您的意图，我认为应该从total +=1中删除一个标签。

编辑：我假设通过“在……之后运行#test块之后”，您的意思是您运行了另一个可能不同的代码段（也许是正确的意图）

每个时期后评估神经网络的准确性

1 个答案: