深度学习与PyTorch入门实战 - 29. MNIST测试

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档展示了如何使用PyTorch进行MNIST数据集的测试，包括计算损失和准确率的方法。通过代码示例，详细介绍了如何利用argmax函数预测标签，并与真实标签进行比较以计算正确率。文档还讨论了测试的频率选择，如每个批量测试或每个epoch测试，并比较了epoch与step的区别。最后，展示了如何计算测试集的平均损失和准确率。

AI总结

# 深度学习与PyTorch入门实战 - 29. MNIST测试总结

## 核心观点

1. **测试的重要性**
在深度学习中，测试是评估模型性能的关键环节。通过测试可以了解模型在验证集或测试集上的表现，从而判断模型的泛化能力。

2. **Loss与Accuracy的区别**
- **Loss（损失）**：衡量模型输出与真实标签之间的差异，用于优化模型。
- **Accuracy（准确率）**：衡量模型预测的正确性，是分类任务中常用的评估指标。
- **注意**：Loss下降并不一定意味着Accuracy一定上升，因此需要同时关注两者。

3. **测试频率**
- **按几个批次测试**：适用于实时监控模型表现。
- **按Epoch测试**：适用于全面评估模型在每个训练周期后的表现。
- **Epoch vs Step**：
- **Epoch**：一个完整训练周期（所有训练数据经过一次）。
- **Step**：一个训练批次（部分数据）。

4. **测试流程**
- **输入处理**：将输入数据展平为一维向量（如MNIST图像从28x28展平为784）。
- **前向传播**：通过网络计算 logits。
- **计算损失**：使用交叉熵损失函数计算损失值。
- **预测标签**：通过Softmax获取概率分布，并使用argmax获取预测标签。
- **计算准确率**：比较预测标签与真实标签，统计正确数目，计算准确率。

5. **测试代码示例**

   test_loss = 0
   correct = 0
   for data, target in test_loader:
       data = data.view(-1, 28 * 28)
       data, target = data.to(device), target.cuda()
       logits = net(data)
       test_loss += criterion(logits, target).item()
       pred = logits.argmax(dim=1)
       correct += pred.eq(target).float().sum().item()
   test_loss /= len(test_loader.dataset)
   accuracy = 100. * correct / len(test_loader.dataset)
   print(f"Test set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} ({accuracy:.0f}%)")

6. **总结**
- 测试是评估模型性能的重要环节。
- 需要同时关注Loss和Accuracy，避免仅依赖单一指标。
- 测试频率的选择应根据具体任务和需求灵活调整。
- 通过代码实现完整的测试流程，确保准确计算模型表现。