PyTorch 模型评估代码详解 - 损失和准确率计算

这段代码用于在测试集上评估模型的损失和准确率。

• 首先初始化评估损失和准确率的变量 eval_loss 和 eval_acc 为 0。
• 将模型设置为评估模式，即不进行梯度更新，使用 model.eval()。
• 针对测试集中的每一个 batch，将数据和标签移动到指定设备上（如 GPU），使用 imgs.to(device) 和 labels.to(device)。
• 通过模型预测得到预测值 predict，使用 model(imgs)。
• 计算预测值与真实标签之间的损失 loss，使用 criterion(predict, labels)。
• 累加到评估损失 eval_loss 中，使用 eval_loss += loss.item()。
• 对预测值进行 argmax 操作，得到最大预测概率对应的类别，使用 torch.argmax(predict, axis=1)。
• 将其与真实标签进行比较，计算正确预测的数量 acc_num，使用 (result == labels).sum().item()。
• 根据正确预测的数量和当前 batch 的大小计算准确率 acc_rate，使用 acc_num / imgs.shape[0]。
• 将其累加到评估准确率 eval_acc 中，使用 eval_acc += acc_rate。
• 计算完整个测试集的损失平均值和准确率平均值，分别存储到 eval_losses 和 eval_acces 中，使用 eval_losses.append(eval_loss / len(test_loader)) 和 eval_acces.append(eval_acc / len(test_loader))。

最终，eval_losses 和 eval_acces 中的值可以用来评估模型在测试集上的性能。