PyTorch深度学习：计算模型预测准确率

使用PyTorch计算模型预测准确率

本文将介绍如何使用PyTorch加载训练好的模型，并使用测试数据计算模型的预测准确率。

以下是完整的Python代码示例：

import torch
import torch.nn.functional as F
import torch.nn as nn

# 定义网络结构
class MyNetwork(nn.Module):
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.fc = nn.Linear(339 * 256, 4)

    def forward(self, x):
        x = self.flatten(x)
        x = self.fc(x)
        return x

# 加载保存的模型参数
network = MyNetwork()
network.load_state_dict(torch.load('final_model.pt'))

# 读取标签数据
tensor_list = []
with open('biaoqian.txt', 'r') as file:
    lines = file.readlines()
    for line in lines:
        line = line.strip()
        numbers = line.split()
        tensor = torch.tensor([float(num) for num in numbers])
        tensor_list.append(tensor)

# 读取测试数据
test_data = torch.load('test_data.pt')

# 将测试数据转换为张量
test_tensors = [torch.tensor(tensor) for tensor in test_data]

# 在测试集上计算准确率
network.eval()
correct_total = 0
total = 0
with torch.no_grad():
    for j, test_input_tensor in enumerate(test_tensors):
        output = network(test_input_tensor.unsqueeze(0))

        # 使用cosine similarity计算预测标签与真实标签的相似度
        target_similarity = F.cosine_similarity(output, tensor_list[j].unsqueeze(0), dim=1)

        # 定义可能的标签列表
        label_list = [torch.tensor([1, 0, 0, 0]), torch.tensor([0, 1, 0, 0]), torch.tensor([0, 0, 1, 0]),
                      torch.tensor([1, 1, 1, 1])]
        
        # 获取除真实标签外的其他标签
        other_list = [label_tensor for label_tensor in label_list if not torch.all(torch.eq(tensor_list[j], label_tensor))]

        # 判断预测结果是否与真实标签最相似
        if target_similarity > torch.max(torch.stack([F.cosine_similarity(output, other.unsqueeze(0), dim=1) for other in other_list]), dim=0).values:
            correct_total += 1

        total += 1

# 计算准确率
accuracy = correct_total / total

# 打印准确率
print('Accuracy: %.2f%%' % (accuracy * 100))

代码解释:

定义网络结构: 定义了一个名为 MyNetwork 的简单神经网络，包括 Flatten 层和 Linear 层。
加载模型参数: 使用 torch.load() 加载训练好的模型参数。
读取数据: 从 'biaoqian.txt' 文件读取标签数据，从 'test_data.pt' 文件读取测试数据。
数据预处理: 将测试数据转换为PyTorch张量。
计算准确率: 遍历测试数据，进行预测，并根据预测结果与真实标签计算准确率。
输出结果: 打印模型在测试集上的准确率。

注意: 这段代码使用了cosine similarity来比较预测结果与真实标签的相似度。你需要根据实际情况修改代码，例如调整网络结构、数据读取方式、准确率计算方法等。