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 torch
import torch.nn as nn
import 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。