1.4 观察模型预测结果

在训练完成以后，为了检验模型的训练结果，可以在测试集上进行验证，通过不同的评估方法来评估。一个分类模型，常见的评估方法是求分类准确率，它能衡量所有类别中预测正确的个数占所有样本的比值，直观且简单，代码如下：

训练时用的是train_loader数据集，测试时就得用另一部分的数据集test_loader。代码中用到with torch.no_grad()，是为了让模型不进行梯度求导，和model.eval()具有相同的作用。eval即evaluation模式，train即训练模式（可以看到1.3节开始训练时的model.train()），这两种模式仅仅当模型中有Dropout和BatchNorm时才会有影响。因为训练时Dropout和BatchNorm都会开启，而一般而言，测试时Dropout会被关闭，BatchNorm中的参数也是利用训练时保留的参数，所以测试时应进入评估模式。通过数据输入神经网络，得到神经网络的概率输出后，我们需要取最大值对应的索引作为预测，这里用到了torch.max函数。该函数接收两个输入，一个是数据，另一个是表示要在哪一维度操作，很明显这里输入的是概率值及第二维的1。返回两个输出，即最大的数值及最大值对应的索引。在这里我们并不关心数值多少，所以对该变量用“_”命名，这是常见的对无关变量命名的方式。将预测索引和实际索引进行对比，即可得到准确率。上述代码输出：

这是在所有类别上进行评估，并无法侧重看出哪个类别预测的好与坏，如果想观察每个类别的预测结果，可以使用如下代码。

输出结果如下：

可以看出每个类别各自的准确率。其中，数字1的准确率最高，为98% ；其次是数字0，准确率为96% ；这些数字中最低的准确率为84%，这也说明神经网络对该数据集的学习效果很好。

我们随机输入6张图并观察实际结果及模型预测结果的情况，如图1-4所示。

图1-4 结果示例