PyTorch 验证集损失和准确率计算

这段代码演示如何在 PyTorch 中计算模型在验证集上的损失和准确率，并打印结果。代码使用 torch.no_grad() 来禁用梯度计算，并使用 custom_loss 函数计算自定义损失函数。

with torch.no_grad():
    val_loss = 0.0
    val_correct = 0
    val_total = 0

    for j, val_input_tensor in enumerate(val_tensors):
        val_output = network(val_input_tensor)

        # 计算相似度
        val_target_similarity = F.cosine_similarity(val_output, tensor_list[j].unsqueeze(0), dim=1)

        val_other_similarities = []
        for k, tensor in enumerate(tensor_list):
            if k != j:
                similarity = F.cosine_similarity(val_output, tensor.unsqueeze(0), dim=1)
                val_other_similarities.append(similarity)

        val_other_similarities = torch.cat(val_other_similarities)

        val_labels = [torch.tensor([1, 0, 0, 0]), torch.tensor([0, 1, 0, 0]), torch.tensor([0, 0, 1, 0]), torch.tensor([1, 1, 1, 1])]
        val_label_index = torch.argmax(tensor_list[j])
        val_label = val_labels[val_label_index]

        if val_target_similarity > torch.max(val_other_similarities):
            val_predicted_index = torch.argmax(val_output)
            if torch.all(torch.eq(val_label, val_labels[val_predicted_index])):
                val_correct += 1

        val_total += 1

        val_loss += custom_loss(val_output, tensor_list[j]).item()

# 计算验证集上的损失和准确率
val_loss /= val_total
val_accuracy = 100 * val_correct / val_total

# 打印验证信息
print('Validation Loss: %.3f, Accuracy: %.2f%%' % (val_loss, val_accuracy))

代码解释:

torch.no_grad()：禁用梯度计算，因为在验证阶段我们不需要计算梯度。
初始化变量 val_loss、val_correct 和 val_total 分别用于累计验证集上的损失、正确预测的数量和总样本数量。
循环遍历验证集样本，计算相似度、判断预测是否正确，并累加相关变量。
使用 custom_loss 函数计算自定义损失函数，并累加到 val_loss 中。
计算验证集上的平均损失和准确率。
打印验证信息，包括损失和准确率。

关键点:

代码使用 F.cosine_similarity 计算样本之间的相似度。
val_labels 列表定义了不同样本的标签。
代码使用 torch.argmax 函数获取预测结果的索引，并与标签进行比较判断预测是否正确。
代码使用 custom_loss 函数计算自定义损失函数。
代码打印验证集上的平均损失和准确率，以评估模型的性能。

注意:

val_tensors 和 tensor_list 是验证集样本和对应的标签列表。
network 是模型对象。
custom_loss 是自定义的损失函数。
代码中使用 %.3f 和 %.2f 格式化输出损失和准确率，可以根据需要修改格式。

希望这个解释对您有所帮助！如果您还有其他问题，请随时提问。