迁移学习 - 中文分类案例 - 模型评估

1 课程概览

本课讲解迁移学习中文分类案例的模型评估。流程：加载数据 → 创建加载器 → 加载模型 → 批量预测 → 计算准确率 → 打印结果。评估时不需要打乱数据（shuffle=False）。使用 model.eval() 设置评估模式。计算准确率：correct / total。

2 核心概念与定义

模型评估：使用测试集评估模型性能。
model.eval()：设置模型为评估模式。
准确率（Accuracy）：correct / total。
shuffle=False：评估时不打乱数据。

3 模型与算法详解

评估流程

1. 加载测试集
2. 创建数据加载器（shuffle=False）
3. 加载训练好的模型
4. 初始化评估参数（correct=0, total=0）
5. 设置模型为评估模式（model.eval()）
6. 迭代预测
   - 将参数移动到 GPU
   - 前向传播
   - 统计预测正确的样本数
7. 计算准确率
8. 打印结果

评估 vs 训练

步骤	训练	评估
模式	`model.train()`	`model.eval()`
shuffle	True	False
梯度	计算	不计算
损失	计算	不计算

加载模型参数

使用 load_state_dict 加载训练好的模型参数。

my_model.load_state_dict(torch.load(path))

准确率计算

correct / total

accuracy = correct / total

4 数学原理与推导

准确率

$$\text{accuracy} = \frac{\text{correct}}{\text{total}}$$

其中：

$\text{correct}$ 是预测正确的样本数
$\text{total}$ 是总样本数

预测

$$\hat{y} = \arg\max \text{model}(x)$$

其中：

$x$ 是输入
$\hat{y}$ 是预测标签

5 代码示例

import torch
from torch.utils.data import DataLoader
from tqdm import tqdm


def evaluate_model(test_dataset, my_tokenizer, my_bert_model, device, 
                   batch_size=8, model_path='./model_classification.pth'):
    """模型评估"""
    # 1. 加载测试集（创建数据加载器，shuffle=False）
    test_dataloader = get_dataloader(
        test_dataset, my_tokenizer, device, batch_size, shuffle=False
    )
    
    # 2. 加载训练好的模型
    my_model = AiModel(my_bert_model).to(device)
    my_model.load_state_dict(torch.load(model_path))
    
    # 3. 初始化评估参数
    correct = 0  # 预测正确的样本数
    total = 0    # 总样本数
    
    # 4. 设置模型为评估模式
    my_model.eval()
    
    # 5. 迭代预测
    with torch.no_grad():
        for i, (inputs, labels) in enumerate(tqdm(test_dataloader, start=1)):
            # 5.1 将参数移动到 GPU
            inputs = {k: v.to(device) for k, v in inputs.items()}
            labels = labels.to(device)
            
            # 5.2 前向传播
            outputs = my_model(**inputs)
            
            # 5.3 获取预测结果
            _, predicted = torch.max(outputs, 1)
            
            # 5.4 统计预测正确的样本数
            correct += (predicted == labels).sum().item()
            total += labels.size(0)
    
    # 6. 计算准确率
    accuracy = correct / total
    
    # 7. 打印结果
    print(f'\n测试集大小: {total}')
    print(f'预测正确数: {correct}')
    print(f'准确率: {accuracy:.4f} ({accuracy*100:.2f}%)')
    
    return accuracy


# 测试
if __name__ == "__main__":
    print("=== 迁移学习：中文分类案例 - 模型评估 ===")
    print("评估函数已定义")

代码说明

代码	说明
`shuffle=False`	评估时不打乱数据
`my_model.load_state_dict(...)`	加载模型参数
`torch.load(path)`	加载保存的模型
`my_model.eval()`	评估模式
`with torch.no_grad():`	不计算梯度
`torch.max(outputs, 1)`	取最大值索引
`correct / total`	计算准确率