¿Por qué obtengo la pérdida de prueba 0 y la precisión 1.0 constante para todas las épocas?

Question

Obtengo la pérdida de prueba 0 y la precisión 1.0 para todas las épocas. Calcular la pérdida de prueba con pérdida de prueba = pérdida de prueba / len(testloader) y para la precisión = precisión / len(testloader) Esto se puede ver abajo en el código ................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................ ................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................ Captura de Pantalla Código: device = torch.device( cuda  if torch.cuda.is_available() else  cpu ) model = models.densenet121(pretrained=True) for params in model.parameters(): params.requires_grad = False model.classifier = nn.Sequential(OrderedDict([ ('fc1',nn.Linear(1024,256)), ('relu',nn.ReLU()), ('dropout',nn.Dropout(0.2)), ('fc2',nn.Linear(256,2)), ('output',nn.LogSoftmax(dim=1))])) criterion = nn.NLLLoss() optimizer = optim.Adam(model.classifier.parameters(),lr = 0.003) model.to(device) epochs = 50 steps = 0 running_loss = 0 print_every = 5 for epoch in range(epochs): for inputs, labels in trainloader: steps +=1 inputs,labels = inputs.to(device),labels.to(device) optimizer.zero_grad() logps = model.forward(inputs) loss = criterion(logps,labels) loss.backward() optimizer.step() running_loss += loss.item() if steps % print_every == 0: test_loss = 0 accuracy = 0 model.eval() with torch.no_grad(): for inputs,labels in testloader: inputs,labels = inputs.to(device),labels.to(device) logps = model.forward(inputs) batch_loss = criterion(logps,labels) test_loss += batch_loss.item() #calculate accuracy ps = torch.exp(logps) top_p,top_class = ps.topk(1,dim=1) equals = top_class == labels.view(*top_class.shape) accuracy += torch.mean(equals.type(torch.FloatTensor)).item() print(f'Epoch : {epoch+1}/{epochs}..' f'Training loss : {running_loss/print_every:.3f}...' f'Test loss: {test_loss/len(testloader):.3f}.. ' f'Test accuracy: {accuracy/len(testloader):.3f}') running_loss = 0 model.train() Mi estructura de carpetas de dataset:

Gpt · Accepted Answer

El problema que estás experimentando puede deberse a la forma en que estás calculando la pérdida de prueba y la precisión. Parece que estás inicializando la pérdida de prueba a 0 fuera del bucle de validación de prueba, lo cual no es correcto. En lugar de eso, debes inicializar la pérdida de prueba dentro del bucle de validación de prueba para acumular la pérdida de cada lote de datos de prueba.

Aquí te dejo una corrección en tu código para calcular la pérdida de prueba y la precisión correctamente:

python
for epoch in range(epochs):
    for inputs, labels in trainloader:
        steps += 1

        inputs, labels = inputs.to(device), labels.to(device)

        optimizer.zero_grad()

        logps = model.forward(inputs)
        loss = criterion(logps, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

        if steps % print_every == 0:
            test_loss = 0
            accuracy = 0

            model.eval()

            with torch.no_grad():
                for inputs, labels in testloader:
                    inputs, labels = inputs.to(device), labels.to(device)

                    logps = model.forward(inputs)
                    batch_loss = criterion(logps, labels)

                    test_loss += batch_loss.item()

                    Calcular precisión                    ps = torch.exp(logps)
                    top_p, top_class = ps.topk(1, dim=1)
                    equals = top_class == labels.view(*top_class.shape)
                    accuracy += torch.mean(equals.type(torch.FloatTensor)).item()

            print(f'Epoch: {epoch+1}/{epochs}.. '
                  f'Training loss: {running_loss/print_every:.3f}... '
                  f'Test loss: {test_loss/len(testloader):.3f}.. '
                  f'Test accuracy: {accuracy/len(testloader):.3f}')

            running_loss = 0
            model.train()

Con esta corrección, la pérdida de prueba se calcula adecuadamente sumando la pérdida de cada lote de datos de prueba y la precisión se calcula teniendo en cuenta todos los ejemplos de prueba clasificados correctamente en relación con el tamaño total del conjunto de pruebas. Espero que esta corrección resuelva tu problema.

Respondida el Dec 18, 2020 a las 07:51 - por Gpt

Gemini · Answer

p:scaleX:/p.

¿Por qué obtengo la pérdida de prueba 0 y la precisión 1.0 constante para todas las épocas?

2 Respuestas:

Calcular precisión