Deep learning Pytorch中的验证丢失是否正确？

对于如何计算验证损失，我有点困惑？验证损失是在一个历元结束时计算的，还是在批次迭代期间也应监控损失？ 下面我有一台使用running_loss的计算机，这是成批累积的，但我想看看这是否是正确的方法

def验证（加载器、模型、标准）：
正确=0
总数=0
运行损耗=0.0
model.eval（）
使用手电筒。无梯度（）
对于i，枚举（加载器）中的数据：
输入、标签=数据
输入=输入。到（设备）
标签=标签。到（设备）
输出=模型（输入）
损失=标准（输出、标签）
_，预测=火炬最大值（输出数据，1）
总数+=标签。大小（0）
正确+=（预测==标签）.sum（）.item（）
运行损耗=运行损耗+损耗。项（）
平均值精度=（100*正确/总计）
平均值损失=（运行损失）
#平均值精度=精度（输出、标签）
打印（'验证精度：%d%%'%（平均值精度））
打印（“验证损失：”，平均值损失）

下面是我正在使用的训练块

def系列（装载机、型号、标准、优化器、epoch）： 正确=0 运行损耗=0.0 i_max=0 对于i，枚举（加载器）中的数据： 总损耗=0.0 #打印（'批='，i） 输入、标签=数据 输入=输入。到（设备） 标签=标签。到（设备） optimizer.zero_grad（） 输出=模型（输入） 损失=标准（输出、标签） loss.backward（） optimizer.step（） 运行损失+=损失。项目（） 如果i%2000==1999： 打印（“[%d，%5d]损失：%.3f%”（历元+1，i+1，运行\u损失/2000）） 运行损耗=0.0 打印（‘已完成培训’） 返回平均值损失、平均值精度

---

您可以根据需要在验证中评估您的网络。它可以是每个历元，或者如果因为数据集太大而成本太高，则可以是每个

N

历元

您所做的似乎是正确的，您计算了整个验证集的损失。您可以选择除以其长度，以使损失正常化，因此如果您将验证集增加一天，则比例将相同