Torch中怎么进行模型评估

在Torch中进行模型评估通常需要使用验证集或测试集来评估模型的性能。下面是一个基本的示例来展示如何在Torch中进行模型评估：

import torchimport torch.nn as nnimport torch.optim as optim# 定义模型class SimpleModel(nn.Module):    def __init__(self):        super(SimpleModel, self).__init__()        self.fc = nn.Linear(10, 1)        def forward(self, x):        return self.fc(x)# 创建模型实例model = SimpleModel()# 加载训练好的模型参数model.load_state_dict(torch.load('model.pth'))# 定义评估函数def evaluate(model, dataloader, criterion):    model.eval()    total_loss = 0.0    total_samples = 0        with torch.no_grad():        for inputs, targets in dataloader:            outputs = model(inputs)            loss = criterion(outputs, targets)            total_loss += loss.item() * inputs.size(0)            total_samples += inputs.size(0)        avg_loss = total_loss / total_samples    return avg_loss# 创建验证集的数据加载器val_dataloader = ...# 定义损失函数criterion = nn.MSELoss()# 计算模型在验证集上的平均损失avg_val_loss = evaluate(model, val_dataloader, criterion)print('Average validation loss:', avg_val_loss)

在上面的示例中，首先定义了一个简单的模型SimpleModel，然后加载了预训练好的模型参数。接着定义了评估函数evaluate来计算模型在验证集上的平均损失。最后，通过调用evaluate函数来评估模型在验证集上的性能，并输出平均损失值。