第七節

實踐任務4FashionMNIST識別測試和評估defval(epoch):model.eval()val_loss=0gt_labels=[]pred_labels=[]withtorch.no_grad():fordata,labelintest_loader:data,label=data.cuda(),label.cuda()output=model(data)

測試準確率：第七節

實踐任務4FashionMNIST識別測試和評估defval(epoch): ...preds=torch.argmax(output,1)gt_labels.append(label.cpu().data.numpy())pred_labels.append(preds.cpu().data.numpy())loss=criterion(output,label)val_loss+=loss.item()*data.size(0)第七節

實踐任務4FashionMNIST識別測試和評估defval(epoch): ...

val_loss=val_loss/len(test_loader.dataset)gt_labels,pred_labels=np.concatenate(gt_labels),np.concatenate(pred_labels)acc=np.sum(gt_labels==pred_labels)/len(pred_labels)print('Epoch:{}\tValidationLoss:{:.6f},Accuracy:{:6f}'.format(epoch,val_loss,acc))第七節

實踐任務4FashionMNIST識別測試和評估fromsklearn.metricsimportconfusion_matrix,classification_report,precision_recall_curve,roc_curve,aucdefval(epoch): …

cm=confusion_matrix(gt_labels,pred_labels)cr=classification_report(gt_labels,pred_labels)print('Epoch:{}\tValidationLoss:{:.6f},Accuracy:{:6f}'.format(epoch,val_loss,acc))print('ConfusionMatrix:\n',cm)print('ClassificationReport:\n',cr)precision,recall,_=precision_recall_curve(gt_labels,pred_labels)

測試混淆矩陣，精確率，召回率等其他指標：第七節

實踐任務4FashionMNIST識別測試和評估繪制精確率召回率曲線和roc曲線：defval(epoch):plt.figure(figsize=(10,5))plt.subplot(1,2,1)plt.plot(recall,precision,marker='.',label='Precision-RecallCurve')plt.xlabel('Recall')plt.ylabel('Precision')plt.legend()plt.title('Precision-RecallCurve:AUC={:.2f}'.format(auc(recall,precision)))plt.subplot(1,2,2)plt.plot(fpr,tpr,marker='.',label='ROCCurve')plt.xlabel('FalsePositiveRate')plt.ylabel('TruePositiveRate')plt.legend()plt.title('ROCCurve:AUC={:.2f}'.format(roc_auc))plt.show()第七節

實踐任務4FashionMNIST識別測試和評估卷積神經網絡測試注意點：①數據預處理：在測試之前，需要對輸入數據進行與訓練時相同的預處理操作，例如歸一化、縮放、裁剪等。②超參數調整：在測試過程中，可以嘗試對一些超參數進行調整，例如學習率、批次大小等，以獲得更好的性能表現。③模型集成：如果有多個模型可供選擇，可以考慮使用模