pytorch计算精度的代码

在 PyTorch 中，计算模型精度通常需要以下步骤：

1. 将模型的输出转化为预测结果。对于分类问题，可以使用 `torch.max()` 函数获得概率最大的类别作为预测结果；对于回归问题，预测结果即为模型的输出。

2. 将预测结果与标签进行比较，计算预测正确的样本数量。

3. 根据预测正确的样本数量计算模型的精度。

下面是一个简单的示例代码，用于计算模型在测试集上的精度：

def test(model, test_loader, device):
    model.eval()  # 将模型设置为评估模式
    correct = 0
    total = 0
    with torch.no_grad():  # 在测试过程中不需要计算梯度，可以加快计算速度
        for data in test_loader:
            images, labels = data
            images = images.to(device)
            labels = labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)  # 获取概率最大的类别作为预测结果
            total += labels.size(0)
            correct += (predicted == labels).sum().item()  # 计算预测正确的样本数量

    accuracy = 100 * correct / total
    print('Test Accuracy: {:.2f}%'.format(accuracy))
    return accuracy

其中，`model` 是待测试的模型，`test_loader` 是测试集数据加载器，`device` 是运行模型的设备（如 CPU 或 GPU）。在每个测试样本上，首先将输入数据和标签移动到指定设备上，然后使用模型进行前向传播得到输出，接着使用 `torch.max()` 函数获取概率最大的类别作为预测结果，最后计算预测正确的样本数量并累加到 `correct` 变量中。最终，根据预测正确的样本数量和测试集样本总数计算模型的精度，并打印输出。