如何在pytorch中收集每个观察值的预测？

在PyTorch中，可以通过使用回调函数来收集每个观察值的预测。回调函数是在训练过程中的特定时间点被调用的函数，可以用于执行自定义操作。

以下是一个示例代码，展示了如何在PyTorch中收集每个观察值的预测：

import torch
from torch.utils.data import DataLoader

# 定义自定义回调函数
class PredictionCollector:
    def __init__(self):
        self.predictions = []

    def __call__(self, model, inputs, outputs):
        _, predicted = torch.max(outputs.data, 1)
        self.predictions.extend(predicted.tolist())

# 创建回调函数实例
collector = PredictionCollector()

# 加载数据集
dataset = YourDataset()
dataloader = DataLoader(dataset, batch_size=32)

# 创建模型实例
model = YourModel()

# 训练过程中注册回调函数
for inputs, labels in dataloader:
    outputs = model(inputs)
    # 其他训练步骤...

    # 调用回调函数收集预测值
    collector(model, inputs, outputs)

# 打印收集到的预测值
print(collector.predictions)

在上述代码中，我们首先定义了一个名为PredictionCollector的回调函数类，其中初始化了一个空列表predictions来存储预测值。在回调函数的__call__方法中，我们使用torch.max函数获取每个观察值的预测，并将其添加到predictions列表中。

然后，我们创建了一个回调函数实例collector。接下来，我们加载数据集并创建模型实例。在训练过程中，我们通过调用collector实例来执行回调函数，并将模型、输入和输出作为参数传递给回调函数。

最后，我们可以打印出收集到的预测值collector.predictions。

请注意，上述代码仅为示例，实际使用时需要根据具体情况进行适当修改。此外，还可以根据需要在回调函数中执行其他自定义操作，例如保存预测结果或计算评估指标等。

关于PyTorch的更多信息和使用方法，您可以参考腾讯云的PyTorch产品文档：PyTorch产品介绍。