在train之后,要做一个test,来验证算法是否具有泛化性。
import torch
import torch.nn.functional as F
logits=torch.rand(4,10) # 生成四张图片,每个图片为10维
pred=F.softmax(logits,dim=1) # 对每张照片的输出做softmax,所以在dim=1
pred.shape
#输出torch.Size([4, 10])
pred_label=pred.argmax(dim=1)
pred_label
# 输出tensor([9, 6, 5, 5])
logits.argmax(dim=1)
# 输出tensor([9, 6, 5, 5])
#可以看出对logits做argmax和对logits后的值做argmax结果一样
label=torch.tensor([9,6,2,5]) # 假设真实的label是9,6,2,5
correct=torch.eq(pred_label,label) #torch。eq会返回相同的为1不同的为0,例如此处会返回【1,1,0,1】
correct.sum().float().item()/4 #返回值做sum后等于3,然后转为float
# 输出0.75
什么时候做test?
做一些batch后
每经过一个epoch
举例:完整代码看之前的文章,多分类问题
test_loss=0
correct=0
for data,target in test_loader:
data=data.view(-1,28*28)
logits=forward(data)
test_loss += criteon(logits,target).item()
pred=logits.data.max(1)[1]
correct += pred.eq(target.data).sum()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss,correct,len(test_loader.dataset),
100 * correct / len(test_loader.dataset)
))