seo 网站分析,wordpress腾讯微博插件,网页微信怎么登录,苏州建设交通【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#xff1a; 如何训练模型#xff0c;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 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Falsedataloader不需要打乱数据集设置shuffleFalse一批次只需要送入一张图像batchsize1
import torch
import torchvision
import torch.utils.data as Data# 把train设为False
test_data torchvision.datasets.MNIST(root./data/, trainFalse, transformtorchvision.transforms.ToTensor(), downloadFalse)
# 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_size1, shuffleFalse) 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.pklmap_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_locationtorch.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(dim1)# 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
