学习笔记22-分类网络自动创建各自类别的测试集和训练集(代码已实现)

只需要创建一个original文件夹,把图片放里面就ok,每个类别的train和val文件夹自动生成。

#自动分train和val文件
import os
from shutil import copy, rmtree
import random


def mk_file(file_path: str):
    if os.path.exists(file_path):
        # 如果文件夹存在,则先删除原文件夹在重新创建
        rmtree(file_path)
    os.makedirs(file_path)


def main():
    
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyTorch中的测试集是用于评估模型在未见过的数据上的性能的数据集。在给定的引用中提到了两种划分测试集的方式。第一种方式是针对数据集按类别存放在多个文件夹中的情况,适用于分类问题。可以将同一类的图片划分为训练集和测试集。第二种方式是针对数据不按照分类存放而是放在同一个文件夹中,此时可以将数据分成训练集和测试集。 测试集在机器学习和深度学习中非常重要。它用于评估模型的泛化能力,即模型对未见过的数据的预测能力。通过使用测试集,我们可以得到模型在未见过的数据上的性能指标,如准确率、精确率、召回率等。这些性能指标可以帮助我们评估模型的效果,并决定是否需要调整模型的参数或者改进模型的结构。 需要注意的是,测试集通常是不可见的,也就是说我们不能在训练过程中使用测试集来调整模型。否则,模型将失去泛化能力的评估参考,无法准确评估模型在真实场景中的表现。在实际应用中,测试集通常被保留用于最终评估模型的性能。而训练集则会被划分为训练集和验证集,训练集用于模型的训练,验证集用于评估模型的性能,并帮助防止过拟合。通过观察验证集上的性能曲线,我们可以选择适当的模型参数,以获得具有良好泛化能力的模型。 总结起来,PyTorch中的测试集是用于评估模型在未见过的数据上的性能的数据集。在训练过程中,我们通常将训练集划分为训练集和验证集,用于模型的训练和性能评估。测试集通常是不可见的,用于最终评估模型的性能。这样的划分方式可以帮助我们评估模型的泛化能力,并选择具有良好性能的模型参数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值