모델 성능 평가

PyTorch로 배우는 딥러닝 입문

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

학습, 검증, 테스트

데이터셋은 보통 세 부분으로 나눕니다:

	데이터 비율	역할
학습(Training)	80-90%	모델 파라미터 학습
검증(Validation)	10-20%	하이퍼파라미터 튜닝
테스트(Test)	5-10%	최종 성능 평가

학습·검증 중 손실과 정확도를 추적합니다

학습 손실 계산

각 에포크에서:

dataloader의 모든 배치 손실을 합산
에포크 끝에 평균 학습 손실 계산

training_loss = 0.0

for inputs, labels in trainloader:
    # 순전파
    outputs = model(inputs)
    # 손실 계산
    loss = criterion(outputs, labels)

    # 역전파
    loss.backward()  # 그래디언트 계산
    optimizer.step()  # 가중치 업데이트
    optimizer.zero_grad()  # 그래디언트 초기화


    # 손실 합산
    training_loss += loss.item()

epoch_loss = training_loss / len(trainloader)

검증 손실 계산

validation_loss = 0.0
model.eval() # 평가 모드로 전환


with torch.no_grad(): # 효율을 위해 그래디언트 비활성화

  for inputs, labels in validationloader:
     # 순전파
     outputs = model(inputs)
     # 손실 계산 
     loss = criterion(outputs, labels)
     validation_loss += loss.item()

epoch_loss = validation_loss / len(validationloader) # 평균 손실 계산

model.train() # 학습 모드로 복귀

과적합

과적합 예시

torchmetrics로 정확도 계산

import torchmetrics


# 정확도 지표 생성
metric = torchmetrics.Accuracy(task="multiclass", num_classes=3)


for features, labels in dataloader:
    outputs = model(features)  # 순전파
    # 배치 정확도 계산(one-hot 레이블에 argmax 유지)
    metric.update(outputs, labels.argmax(dim=-1))


# 에포크 전체 정확도 계산
accuracy = metric.compute()


# 다음 에포크를 위해 초기화
metric.reset()

연습해 봅시다!

PyTorch로 배우는 딥러닝 입문