def compute_performance(prediction, target, data): # 计算模型性能
# 下面的try和except实际上在做这样一件事：当训练+测试模型的时候，数据肯定是经过dataloader的，所以直接赋值就可以了
# 但是如果将训练好的模型保存下来，然后测试，那么数据就没有经过dataloader，是dataloader型的，需要转换成dataset型。
try:
dataset = data.dataset # 数据为dataloader型，通过它下面的属性.dataset类变成dataset型数据
except:
dataset = data # 数据为dataset型，直接赋值
# 下面就是对预测和目标数据进行逆归一化，recover_data()函数在上一小节的数据处理中
# flow_norm为归一化的基，flow_norm[0]为最大值，flow_norm[1]为最小值
# prediction.numpy()和target.numpy()是需要逆归一化的数据，转换成numpy型是因为 recover_data()函数中的数据都是numpy型，保持一致
prediction = LoadData.recover_data(dataset.flow_norm[0],
dataset.flow_norm[1],
prediction.numpy())
target = LoadData.recover_data(dataset.flow_norm[0], dataset.flow_norm[1],
target.numpy())
# 对三种评价指标写了一个类，这个类封装在另一个文件中，在后面
mae, mape, rmse = Evaluation.total(
target.reshape(-1), prediction.reshape(-1)) # 变成常向量才能计算这三种指标
performance = [mae, mape, rmse]
recovered_data = [prediction, target]
return performance, recovered_data # 返回评价结果，以及恢复好的数据（为可视化准备的）
def compute_performance(prediction, target, data):
try:
dataset = data.dataset # dataloader
except:
dataset = data # dataset
prediction = LoadData.recover_data(dataset.flow_norm[0],
dataset.flow_norm[1],
prediction.numpy())
target = LoadData.recover_data(dataset.flow_norm[0], dataset.flow_norm[1],
target.numpy())
mae, mape, rmse = Evaluation.total(target.reshape(-1),
prediction.reshape(-1))
performance = [mae, mape, rmse]
recovered_data = [prediction, target]
return performance, recovered_data
