PyTorch 模型测试代码解析：逐行解释和注释

这段代码是一个 PyTorch 模型训练和测试的循环。下面是代码的详细解释和注释：

with torch.no_grad():
    # 禁用梯度计算，因为在测试阶段我们不需要计算梯度
    # 遍历测试集数据
    for imgs, labels in test_loader:
        # 将标签转换为torch.long类型的张量
        labels = torch.tensor(labels, dtype=torch.long)
        
        # 将图像和标签移到设备（如GPU）上进行计算
        imgs, labels = imgs.to(DEVICE), labels.to(DEVICE)
        
        # 通过模型计算图像的输出
        outputs = model(imgs)
        
        # 计算损失函数
        loss = loss_fn(outputs, labels)
        
        # 累积测试集上的损失
        test_loss += loss.item()
        
        # 计算模型的预测概率
        ps = torch.exp(outputs)
        
        # 获取最高概率和对应的类别
        top_p, top_class = ps.topk(1, dim=1)
        
        # 检查预测类别是否与真实标签相等
        equals = top_class == labels.view(*top_class.shape)
        
        # 计算准确率并累积
        accuracy += torch.mean(equals.type(torch.FloatTensor)).item()

# 计算平均训练损失并将其添加到train_losses列表中
 train_losses.append(running_loss / len(train_loader))

# 计算平均测试损失并将其添加到test_losses列表中
 test_losses.append(test_loss / len(test_loader))

这段代码首先使用torch.no_grad()上下文管理器禁用梯度计算，因为在测试阶段我们不需要计算梯度。然后通过遍历test_loader中的图像和标签进行测试。在每次迭代中，将标签转换为torch.long类型的张量，并将图像和标签移到设备上进行计算。然后，通过模型计算图像的输出，并计算损失函数。接下来，将测试集上的损失累积到test_loss变量中。然后，通过计算模型输出的指数函数来获取预测的概率，并使用topk方法获取最高概率和对应的类别。最后，将预测类别与真实标签进行比较，计算准确率并将其累积到accuracy变量中。

在循环结束后，计算平均训练损失并将其添加到train_losses列表中。然后，计算平均测试损失并将其添加到test_losses列表中。