在Ubuntu上使用PyTorch進行模型評估通常涉及以下步驟：
加載預訓練模型：首先，你需要加載你已經訓練好的模型。這通常是通過torch.load()函數完成的。
準備數據集：為了評估模型，你需要準備一個數據集。這個數據集應該與訓練模型時使用的數據集相同或相似。數據集需要被轉換成PyTorch的Dataset對象，并且使用DataLoader來批量加載數據。
設置模型為評估模式：在評估模型之前，需要將模型設置為評估模式，這樣就不會計算梯度，從而節省內存并加快計算速度。這可以通過調用模型的.eval()方法來完成。
禁用梯度計算：在評估過程中，通常不需要計算梯度，因此可以通過torch.no_grad()上下文管理器來禁用梯度計算。
進行預測：使用加載的數據集通過模型進行預測，并收集模型的輸出。
計算評估指標：根據模型的輸出和真實標簽計算評估指標，如準確率、召回率、F1分數等。
下面是一個簡單的代碼示例，展示了如何在Ubuntu上使用PyTorch進行模型評估：
import torch
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from your_model import YourModel # 假設你有一個名為YourModel的模型類
# 加載預訓練模型
model = YourModel()
model.load_state_dict(torch.load('your_model.pth')) # 替換為你的模型文件路徑
model.eval() # 設置模型為評估模式
# 數據預處理
transform = transforms.Compose([
transforms.ToTensor(),
# 其他轉換...
])
# 加載數據集
test_dataset = datasets.ImageFolder('path_to_test_dataset', transform=transform) # 替換為你的測試數據集路徑
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)
# 禁用梯度計算
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
outputs = model(images) # 前向傳播
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
# 計算準確率
accuracy = 100 * correct / total
print(f'Accuracy: {accuracy}%')
請根據你的具體情況調整上述代碼，例如模型的導入、數據集的路徑和預處理步驟等。如果你使用的是自定義模型，請確保模型類YourModel已經定義，并且與訓練時使用的模型結構一致。
