如何解决PyTorch计算MSE和MAE
我想计算以下模型的MSE和MAE。该模型将在每个纪元后计算MSE。请问我该怎么做才能获得总体MSE值?我可以使用相同的代码来计算MAE吗?非常感谢
model.eval()
for images,paths in tqdm(loader_test):
images = images.to(device)
targets = torch.tensor([metadata['count'][os.path.split(path)[-1]] for path in paths]) # B
targets = targets.float().to(device)
# forward pass:
output = model(images) # B x 1 x 9 x 9 (analogous to a heatmap)
preds = output.sum(dim=[1,2,3]) # predicted cell counts (vector of length B)
# logging:
loss = torch.mean((preds - targets)**2)
count_error = torch.abs(preds - targets).mean()
mean_test_error += count_error
writer.add_scalar('test_loss',loss.item(),global_step=global_step)
writer.add_scalar('test_count_error',count_error.item(),global_step=global_step)
global_step += 1
average_accuracy = 0
mean_test_error = mean_test_error / len(loader_test)
writer.add_scalar('mean_test_error',mean_test_error.item(),global_step=global_step)
average_accuracy += mean_test_error
average_accuracy = average_accuracy /len(loader_test)
print("Average accuracy: %f" % average_accuracy)
print("Test count error: %f" % mean_test_error)
if mean_test_error < best_test_error:
best_test_error = mean_test_error
torch.save({'state_dict':model.state_dict(),'optimizer_state_dict':optimizer.state_dict(),'globalStep':global_step,'train_paths':dataset_train.files,'test_paths':dataset_test.files},checkpoint_path)
解决方法
首先,为简便起见,您希望在测试阶段将批次大小保持为1。
这可能是特定于任务的,但是热图回归模型的MAE和MSE的计算基于以下方程式:
这意味着在您的代码中,您应该按以下方式更改计算MAE的行
error = torch.abs(preds - targets).sum().data
squared_error = ((preds - targets)*(preds - targets)).sum().data
runnning_mae += error
runnning_mse += squared_error
然后在纪元结束之后,
mse = math.sqrt(running_mse\len(loader_test))
mae = running_mae\len(loader_test)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。