如何在Pytorch中测试自定义数据集？

我一直在关注Pytorch中的教程，这些教程使用Pytorch中的数据集，允许您启用是否希望使用这些数据进行培训。。。但现在我使用的是.csv和自定义数据集

类MyDataset（数据集）：
定义初始化（self、root、n_inp）：
self.df=pd.read\u csv（根）
self.data=self.df.to_numpy（）
self.x，self.y=（torch.from_numpy（self.data[：，：n_inp]），
torch.from_numpy（self.data[：，n_inp:]））
def uu getitem uu（self，idx）：
返回self.x[idx，：]，self.y[idx，：]
定义（自我）：
返回长度（自身数据）

我如何告诉Pytorch不要训练我的test_数据集，这样我就可以使用它作为我的模型准确度的参考

train\u dataset=MyDataset（“heart.csv”，输入大小）
火车装载机=数据装载机（火车数据集，批量大小=批量大小，随机播放=真）
test\u dataset=MyDataset（“heart.csv”，输入大小）
test\u loader=DataLoader（test\u数据集，batch\u size=batch\u size，shuffle=True）

在pytorch中，自定义数据集继承类

数据集

。它主要包含两种方法：指定要迭代的dataset对象的长度和每次返回一批数据

初始化数据加载器对象后（

train\u loader

和

test\u loader

，如代码中所指定），您需要编写一个train循环和一个test循环

def train(model, optimizer, loss_fn, dataloader):
    model.train()
    for i, (input, gt) in enumerate(dataloader):
        if params.use_gpu: #(If training using GPU)
            input, gt = input.cuda(non_blocking = True), gt.cuda(non_blocking = True)
        predicted = model(input)
        loss = loss_fn(predicted, gt)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

您的测试循环应该是：

def test(model,loss_fn, dataloader):
    model.eval()
    for i, (input, gt) in enumerate(dataloader):
        if params.use_gpu: #(If training using GPU)
            input, gt = input.cuda(non_blocking = True), gt.cuda(non_blocking = True)
        predicted = model(input)
        loss     = loss_fn(predicted, gt)

此外，您还可以使用度量字典记录您的预测、损失、时代等，。训练循环和测试循环之间的主要区别在于，我们在推理阶段排除了反向传播（

zero\u grad（）、backward（）、step（）

）

最后,

for epoch in range(1, epochs + 1):
    train(model, optimizer, loss_fn, train_loader)
    test(model, loss_fn, test_loader)

---

在Pytork中进行测试时，需要注意以下几点：

将您的模型置于评估模式，以便退出和批处理规范化等内容不会处于培训模式：

model.eval（）

在测试代码周围放一个包装，以避免梯度计算（节省内存和时间）：

使用torch.no_grad（）：

仅根据训练集对数据进行标准化或标准化。这对于最小/最大归一化或z分数标准化非常重要，以便模型准确反映测试性能

除此之外，您所写的内容在我看来相当不错，因为您没有对数据应用任何变换（例如，图像翻转或高斯噪声注入）。要显示测试模式下的代码外观，请参见以下内容：

for e in range(num_epochs):
    for B, (dat, label) in enumerate(train_loader):
         #transforms here
         opt.zero_grad()
         out = model(dat.to(device))
         loss = criterion(out)
         loss.backward()
         opt.step()
    with torch.no_grad():
         model.eval()
         global_corr = 0
         for B, (dat,label) in enumerate(test_loader):
             out = model(dat.to(device))
             # get batch eval metrics here!