在CentOS上使用PyTorch進行模型評估通常涉及以下幾個步驟：
安裝PyTorch：首先，確保你已經在CentOS上安裝了PyTorch。你可以從PyTorch官網獲取適合你系統的安裝命令。
準備數據集：為了評估模型，你需要準備測試數據集。這個數據集應該與訓練數據集不同，以便能夠準確地評估模型的泛化能力。
加載模型：加載你已經訓練好的模型。這通常涉及到從磁盤讀取模型的權重和架構。
預處理數據：確保測試數據集經過與訓練數據集相同的預處理步驟，比如歸一化、縮放、編碼等。
評估模型：使用測試數據集對模型進行評估。這通常涉及到將數據輸入模型，然后比較模型的輸出與真實標簽。
計算性能指標：根據任務類型（如分類、回歸等），計算相應的性能指標，如準確率、召回率、F1分數、均方誤差等。
下面是一個簡單的例子，展示了如何在PyTorch中進行模型評估：
import torch
from torchvision import datasets, transforms
from your_model import YourModel # 假設你的模型定義在your_model.py文件中
# 定義數據預處理
transform = transforms.Compose([
transforms.Resize((256, 256)),
transforms.ToTensor(),
# 其他預處理操作...
])
# 加載測試數據集
test_dataset = datasets.ImageFolder('path/to/test/dataset', transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=32, shuffle=False)
# 加載模型
model = YourModel()
model.load_state_dict(torch.load('path/to/your/model.pth'))
model.eval() # 設置模型為評估模式
# 如果有GPU，使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
# 用于存儲預測結果的列表
predictions = []
# 用于存儲真實標簽的列表
true_labels = []
# 關閉梯度計算以節省內存和計算資源
with torch.no_grad():
for images, labels in test_loader:
images, labels = images.to(device), labels.to(device)
# 前向傳播
outputs = model(images)
# 獲取預測結果
_, predicted = torch.max(outputs.data, 1)
# 存儲預測結果和真實標簽
predictions.extend(predicted.cpu().numpy())
true_labels.extend(labels.cpu().numpy())
# 計算性能指標
from sklearn.metrics import accuracy_score, classification_report
print("Accuracy:", accuracy_score(true_labels, predictions))
print(classification_report(true_labels, predictions))
請注意，這個例子假設你正在進行一個分類任務，并且你的模型定義在一個名為your_model.py的文件中。你需要根據你的具體情況調整代碼，比如模型的輸入輸出格式、數據預處理步驟等。如果你正在進行回歸任務，你需要使用適合回歸任務的性能指標，如均方誤差（MSE）或平均絕對誤差（MAE）。
