model.eval() with torch.no_grad(): # test total_correct = 0 total_num = 0 for x, label in cifar_test: # [b, 3, 32, 32] # [b] x, label = x.to(device), label.to(device) # [b, 10] logits = model(x) # [b] pred = logits.argmax(dim=1) # [b] vs [b] => scalar tensor correct = torch.eq(pred, label).float().sum().item() total_correct += correct total_num += x.size(0) # print(correct) acc = total_correct / total_num print(epoch, 'test acc:', acc) ———————————————— 逐行解释

这段代码用于在训练过程中对模型进行测试，并打印出测试准确率。以下是对代码逐行的解释：

2. `model.eval()`
将模型设置为评估模式，这将冻结模型中的dropout和batch normalization等操作。

3. `with torch.no_grad():`
使用torch.no_grad()上下文管理器，禁用梯度计算。在测试阶段，我们不需要计算梯度，只需要进行前向传播和评估。

6-19. 进行测试：
- `total_correct = 0` 初始化正确分类的样本数量。
- `total_num = 0` 初始化总样本数量。
- `for x, label in cifar_test:` 对测试集数据进行迭代，每次迭代获取一个批次的输入x和对应的标签label。
- `x, label = x.to(device), label.to(device)` 将输入x和标签label移动到指定的设备（GPU或CPU）上。
- `logits = model(x)` 将输入x传递给模型，得到模型的输出logits。
- `pred = logits.argmax(dim=1)` 获取logits中每个样本预测结果的最大值所对应的索引，即预测的类别。
- `correct = torch.eq(pred, label).float().sum().item()` 计算预测正确的样本数量，将预测结果和真实标签进行比较，并将结果转换为浮点数。
- `total_correct += correct` 累加正确分类的样本数量。
- `total_num += x.size(0)` 累加总样本数量，x.size(0)表示批次中的样本数量。
- `acc = total_correct / total_num` 计算测试准确率，即正确分类的样本数量除以总样本数量。
- `print(epoch, 'test acc:', acc)` 打印出当前训练轮数epoch和测试准确率。

这段代码的主要目的是在训练过程中定期对模型进行测试，并打印出测试准确率。通过计算模型在测试集上的准确率可以评估模型的性能。使用torch.no_grad()上下文管理器可以提高代码的运行效率，同时禁用梯度计算以减少内存占用。