FC.eval() correct = 0 total = 0 for images, labels in testLoader: images = images.float().to(device) outputs = FC(images).cpu() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum() print('准确率: %.4f %%' % (100 * correct / total))

这段代码用于对训练好的模型进行测试，并计算模型的准确率。

1. 首先调用 `FC.eval()` 将模型设置为评估模式，以便禁用 dropout 和 batch normalization 等训练相关的操作。

2. 定义两个计数器 `correct` 和 `total`，用于记录模型在测试集上的预测正确数和总样本数。

3. 遍历测试数据集 `testLoader`，将每个 batch 的数据移动到指定的设备上，并通过模型 `FC` 对输入数据进行前向传播，得到预测输出 `outputs`。

4. 对于每个 batch，调用 `torch.max(outputs.data, 1)` 对预测输出中的每行取最大值，并返回最大值和对应的索引。这里我们只需要用到索引，即预测的类别。

5. 对于每个 batch，将 batch 中的样本数 `labels.size(0)` 加到 `total` 中。

6. 对于每个 batch，将预测正确的样本数 `(predicted == labels).sum()` 加到 `correct` 中。

7. 遍历完所有 batch 后，计算模型在测试集上的准确率，并输出结果。

通过这个测试循环，我们可以对模型在测试集上的预测精度进行评估。