【新手适用】手把手教你从零开始实现一个基于Pytorch的卷积神经网络CNN三：如何验证和测试模型

【新手适用】手把手教你从零开始实现一个基于Pytorch的卷积神经网络CNN二：如何训练模型，内附详细损失、准确率、均值计算-CSDN博客

从零开始实现一个基于Pytorch的卷积神经网络 - 知乎 (zhihu.com)

1 初始化、导入模型和数据集

新建一个test.py文件，导入所需的包，并且定义测试数据集和dataloader。

测试和训练的不同点：

data：把train设为False
dataloader：不需要打乱数据集，设置shuffle=False，一批次只需要送入一张图像，batchsize=1

import torch
import torchvision
import torch.utils.data as Data

# 把train设为False
test_data = torchvision.datasets.MNIST(root='./data/', train=False, transform=torchvision.transforms.ToTensor(), download=False)
# 不需要打乱数据集，一批次只需要送入一张图像
test_loader = Data.DataLoader(test_data, batch_size=1, shuffle=False)

定义所需的设备。

# 定义需要使用的设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

2 加载模型

加载模型需要使用torch.load(f, map_location, pickle_module, pickle_load_args)函数。

f：我们模型文件的路径和名称，在这里是'./LeNet.pkl'；
map_location：重新映射使用的设备，一般情况下这个参数不需要任何的修改，但是如果你想要把一个用GPU训练的模型放在一个只有cpu的设备上时会发生一些错误，而这时就需要定义该参数了，可以在这里填上torch.device(device)以避免这个错误的发生。
pickle_module, pickle_load_args基本上不需要进行任何的设置。

加载好模型之后把模型上传到设备上。

# 加载模型
net = torch.load('./LeNet.pkl',map_location=torch.device(device))
# 上传模型到设备
net.to(device)

3 关闭梯度

测试阶段不需要对模型的参数进行更新，可以关闭自动求导功能；并使用net.eval()方法屏蔽Dropout层、冻结BN层的参数，防止在测试阶段BN层发生参数更新

# 关闭梯度
torch.set_grad_enabled(False)
# 开启验证
net.eval()

4 测试及输出结果

# 获取数据及大小
length = test_data.data.size(0)
# 使用for将数据输入模型并且获得输出
for i,data in enumerate(test_loader):
    # 获得数据和标注
    x,y = data
    # 模型输出
    y_pred = net(x.to(device,torch.float))
    # 获得预测的标签
    pred = y_pred.argmax(dim=1)
    # 统计预测正确的数量
    acc += (pred.data.cpu() == y.data).sum()
    # 每一次预测后输出其预测的结果和对应的真实值
    print('Predict:', int(pred.data.cpu()), '|Ground Truth:', int(y.data))
    # 计算模型在测试集上的准确率
acc = (acc / length) * 100
# 转换为百分比的形式
print('Accuracy: %.2f' % acc, '%')

输出结果如下所示：