### PyTorch 验证代码示例 为了实现数据集上的验证过程，在定义好`Dataset`类之后，通常还需要构建`DataLoader`来批量加载数据，并编写用于评估模型性能的函数。下面展示了一个完整的PyTorch验证循环的例子： #### 构建验证数据加载器 首先创建一个继承自`torch.utils.data.Dataset`的数据集类，重写其`__len__()`方法返回样本总数以及上述提到的`__getitem__()`方法以提供单个样本访问功能[^1]。 ```python from torch.utils.data import DataLoader, Dataset import torch class CustomValidationSet(Dataset): def __init__(self, list_ids, labels): self.list_ids = list_ids self.labels = labels def __len__(self): return len(self.list_ids) def __getitem__(self, index): id_ = self.list_ids[index] x = torch.load(f'data/{id_}.pt') y = self.labels[id_] return x, y ``` 接着实例化这个定制化的验证集合对象并传入到`DataLoader`中以便于后续迭代读取批次数据： ```python validation_set = CustomValidationSet(list_ids=valid_list_ids, labels=valid_labels) batch_size = 32 validation_loader = DataLoader(validation_set, batch_size=batch_size, shuffle=False) ``` #### 编写验证函数 接下来定义一个名为`validate_model`的方法来进行模型验证工作，这里假设已经有一个预训练好的神经网络模型可供调用测试模式下的前向传播计算结果；同时利用GPU加速运算如果可用的话： ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") def validate_model(model, dataloader): model.eval() correct_predictions = 0 total_samples = 0 with torch.no_grad(): for inputs, targets in dataloader: inputs, targets = inputs.to(device), targets.to(device) outputs = model(inputs).squeeze() predicted_classes = (outputs >= 0.5).float().view(-1) # 假设二分类任务 correct_predictions += ((predicted_classes == targets)).sum().item() total_samples += targets.size(0) accuracy = correct_predictions / total_samples * 100. print(f'Accuracy on validation set: {accuracy:.2f}%') # 使用之前准备好的验证loader执行验证流程 validate_model(pretrained_model, validation_loader) ``` 此段代码实现了基本的验证逻辑框架，具体细节可能依据实际应用场景有所调整，比如损失函数的选择、多类别分类时预测标签的方式等。