版權聲明：本文為部落客原創文章，未經部落客允許不得轉載。 https://blog.csdn.net/Teeyohuang/article/details/79222857
pytorch進行CIFAR-10分類（5）測試
我的系列博文：
Pytorch打怪路（一）pytorch進行CIFAR-10分類（1）CIFAR-10資料加載和處理
Pytorch打怪路（一）pytorch進行CIFAR-10分類（2）定義卷積神經網絡
Pytorch打怪路（一）pytorch進行CIFAR-10分類（3）定義損失函數和優化器
Pytorch打怪路（一）pytorch進行CIFAR-10分類（4）訓練
Pytorch打怪路（一）pytorch進行CIFAR-10分類（5）測試（本文）
1.直接上代碼
代碼第一部分
dataiter = iter(testloader) # 建立一個python疊代器，讀入的是我們第一步裡面就已經加載好的testloader
images, labels = dataiter.next() # 傳回一個batch_size的圖檔，根據第一步的設定，應該是4張
# print images
imshow(torchvision.utils.make_grid(images)) # 展示這四張圖檔
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4))) # python字元串格式化 ' '.join表示用空格來連接配接後面的字元串，參考python的join（）方法 複制
複制
這一部分代碼就是先随機讀取4張圖檔，讓我們看看這四張圖檔是什麼并列印出相應的label資訊，
因為第一步裡面設定了是shuffle了資料的，也就是順序是打亂的，是以各自出現的圖像不一定相同，
代碼第二部分
outputs = net(Variable(images)) # 注意這裡的images是我們從上面獲得的那四張圖檔，是以首先要轉化成variable
_, predicted = torch.max(outputs.data, 1)
# 這個 _ , predicted是python的一種常用的寫法，表示後面的函數其實會傳回兩個值
# 但是我們對第一個值不感興趣，就寫個_在那裡，把它指派給_就好，我們隻關心第二個值predicted
# 比如 _ ,a = 1,2 這中指派語句在python中是可以通過的，你隻關心後面的等式中的第二個位置的值是多少
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4))) # python的字元串格式化 複制
這裡用到了torch.max( ), 它是屬于Tensor的一個方法：
注意到注釋中第一句話，是說傳回傳回輸入Tensor中每行的最大值，并轉換成指定的dim（次元），
是以我們程式中的 torch.max(outputs.data, 1) ，傳回一個tuple (元組)
而這裡很明顯，這個傳回的元組的第一個元素是image data，即是最大的 值，第二個元素是label， 即是最大的值 的 索引！
我們隻需要label（最大值的索引），是以就會有 _ , predicted這樣的指派語句，表示忽略第一個傳回值，把它指派給 _， 就是舍棄它的意思；
我在注釋中也說明了這是什麼意思
這裡說一下，這第二個參數1，看清楚上面的說明是 the dimension to reduce！ 而不是去這個dimension上面找最大
是以這裡dim=1，基于我們的a是 4行 x 4列 這麼一個次元，是以指的是 消除列這個次元，這是個什麼意思呢？
如果我們把上面的示例代碼中，的參數 keepdim=True寫上，torch.max(a,1,keepdim=True), 會發現，傳回的結果的第一個元素，即表示最大的值的那部分，其實是一個 size為 【4，1】的Tensor，也就是其實它是在 按照每行 來找最大，是以結果是4行，然後因為隻找一個最大值，是以是1列，整個size就是 4行 1 列， 然後參數dim=1，相當于調用了 squeeze(1),這個操作，上面的說明也是這麼寫的，是以最後就得到結果是一個size為4的vector。
你可以自己下去在ipython裡面做實驗，發現如果dim=0，它其實是在傳回每列的最大值，
是以一定不要搞混！這裡的dim是指的 the dimension to reduce！并不是在the dimension上去傳回最大值。
是以其實我自己寫的時候一般更喜歡用 torch.argmax（）這個函數更直覺更好了解一些
總之在這裡你隻需要了解這行操作的功能是：傳回了最大的索引，即預測出來的類别。 想深入研究可以自己去ipython裡面試一下
代碼第三部分
correct = 0 # 定義預測正确的圖檔數，初始化為0
total = 0 # 總共參與測試的圖檔數，也初始化為0
for data in testloader: # 循環每一個batch
images, labels = data
outputs = net(Variable(images)) # 輸入網絡進行測試
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0) # 更新測試圖檔的數量
correct += (predicted == labels).sum() # 更新正确分類的圖檔的數量
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total)) # 最後列印結果 複制
tutorial給的結果是53%
代碼第四部分
來測試一下每一類的分類正确率
class_correct = list(0. for i in range(10)) # 定義一個存儲每類中測試正确的個數的 清單，初始化為0
class_total = list(0. for i in range(10)) # 定義一個存儲每類中測試總數的個數的 清單，初始化為0
for data in testloader: # 以一個batch為機關進行循環
images, labels = data
outputs = net(Variable(images))
_, predicted = torch.max(outputs.data, 1)
c = (predicted == labels).squeeze()
for i in range(4): # 因為每個batch都有4張圖檔，是以還需要一個4的小循環
label = labels[i] # 對各個類的進行各自累加
class_correct[label] += c[i]
class_total[label] += 1
for i in range(10):
print('Accuracy of %5s : %2d %%' % (
classes[i], 100 * class_correct[i] / class_total[i])) 複制