PyTorch 模型训练代码示例：记录测试准确率和损失值

以下代码展示了 PyTorch 模型训练过程中记录测试准确率和损失值的示例：

for epoch in range(50,args.epochs):
    tic = time.time()
    train_predict = []
    train_label = []
    runloss = 0
    for (cnt, i) in enumerate(tqdm(train_loader)):
        batch_x = i['data']
        batch_y = i['label']
        batch_x = torch.unsqueeze(batch_x, dim=1)
        batch_x = batch_x.float()

        if torch.cuda.is_available():
            batch_x = batch_x.cuda()
            batch_y = batch_y.cuda()
        tlabels, tpredi, tloss = train(model, batch_x, batch_y, optimizer, criterion)
        runloss = runloss + tloss
        train_label.extend(tlabels)
        train_predict.extend(tpredi)
    per_epoch_train_time = time.time() - tic
    train_time = per_epoch_train_time + train_time
    taccuracy = accuracy_score(train_label, train_predict)
    train_acc_list.append(taccuracy)
    loss = runloss / batches_per_epoch
    train_loss_list.append(loss)
    acc_score, loss_score, feature_list, C = test(model, test_loader, criterion)
    print('Epoch %d Val_accuracy %.3f Val_loss %.3f' % (epoch, acc_score, loss_score))
    with open('train_log.csv', 'a+') as f:
        f.write(f'{epoch}, {round(taccuracy, 4)}, {round(loss, 4)}
')
    f.close()
    with open('log.csv', 'a+') as f:
        f.write(f'{epoch}, {round(acc_score, 4)}, {round(loss_score, 4)}
')
    f.close()
    test_acc_list.append(acc_score)
    test_loss_list.append(loss_score)

代码中，test_acc_list.append(acc_score) 表示将每个 epoch 的测试准确率 acc_score 添加到 test_acc_list 列表中，test_loss_list.append(loss_score) 表示将每个 epoch 的测试损失值 loss_score 添加到 test_loss_list 列表中。这样可以记录每个 epoch 的测试准确率和损失值，用于后续分析和可视化。

例如，可以使用这些列表绘制训练过程中的准确率和损失值变化曲线，帮助分析模型的性能和训练过程。

代码说明

• train_loader: 训练数据集的 DataLoader 对象
• test_loader: 测试数据集的 DataLoader 对象
• model: 待训练的 PyTorch 模型
• optimizer: 优化器，用于更新模型参数
• criterion: 损失函数
• accuracy_score: 用于计算准确率的函数
• train_acc_list: 用于记录每个 epoch 的训练准确率
• train_loss_list: 用于记录每个 epoch 的训练损失值
• test_acc_list: 用于记录每个 epoch 的测试准确率
• test_loss_list: 用于记录每个 epoch 的测试损失值

代码解析

1. 训练阶段:
   • 循环遍历每个 epoch
   • 使用 train 函数进行训练，计算训练损失和准确率，并将结果添加到相应的列表中
2. 测试阶段:
   • 使用 test 函数进行测试，计算测试损失和准确率，并将结果添加到相应的列表中
3. 记录结果:
   • 将每个 epoch 的训练和测试结果写入 CSV 文件，用于后续分析和可视化

总结

这段代码展示了如何记录 PyTorch 模型训练过程中的测试准确率和损失值，并使用这些信息进行分析和可视化。通过记录这些数据，我们可以更好地理解模型的训练过程，并调整模型参数以提高模型性能。