Torch中如何进行模型测试

在Torch中进行模型测试通常需要以下步骤：

1. 加载训练好的模型：首先需要加载之前训练好的模型，可以通过torch.load()函数加载模型的参数。

2. 准备测试数据：准备用于测试的数据集，可以通过torch.utils.data.DataLoader加载数据。

3. 进行前向传播：使用加载好的模型对测试数据进行前向传播，得到模型的预测结果。

4. 计算准确率或其他评价指标：根据测试数据的真实标签和模型的预测结果，计算模型的准确率或其他评价指标。

以下是一个简单的示例代码：

import torch import torch.nn as nn import torch.optim as optim import torch.utils.data as data  # 加载模型 model = YourModel() model.load_state_dict(torch.load('model.pth')) model.eval()  # 准备测试数据 test_dataset = YourTestDataset() test_loader = data.DataLoader(test_dataset, batch_size=64, shuffle=False)  # 进行测试 correct = 0 total = 0 with torch.no_grad():     for data in test_loader:         inputs, labels = data         outputs = model(inputs)         _, predicted = torch.max(outputs, 1)         total += labels.size(0)         correct += (predicted == labels).sum().item()  accuracy = correct / total print('Accuracy: {:.2f}%'.format(100 * accuracy)) 

在这个示例中，我们首先加载已经训练好的模型，然后准备测试数据并使用模型进行前向传播。最后计算模型的准确率并输出。