### PyTorch 测试程序示例 以下是基于 PyTorch 的一个简单测试程序，该程序展示了如何加载模型并对其进行评估。此代码假设已经有一个预训练好的模型以及对应的测试数据集。 ```python import torch from torchvision import datasets, transforms import torch.nn.functional as F # 定义超参数 batch_size = 64 # 数据转换 test_transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) # 加载测试数据集 test_dataset = datasets.MNIST('data', train=False, download=True, transform=test_transform) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=True) # 定义简单的神经网络结构 class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = torch.nn.Linear(28 * 28, 512) self.fc2 = torch.nn.Linear(512, 10) def forward(self, x): x = x.view(-1, 28 * 28) # 展平输入图像 x = F.relu(self.fc1(x)) # 使用ReLU激活函数 x = self.fc2(x) # 输出层 return F.log_softmax(x, dim=1) # 应用log softmax作为输出 # 初始化模型和设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = Net().to(device) # 假设我们已经有了一个保存的模型权重文件 'mnist_cnn.pt' model.load_state_dict(torch.load('mnist_cnn.pt', map_location=device)) # 设置模型为评估模式 model.eval() # 开始测试过程 correct = 0 total = 0 with torch.no_grad(): # 关闭梯度计算以节省内存 for data in test_loader: images, labels = data images, labels = images.to(device), labels.to(device) outputs = model(images) # 前向传播 _, predicted = torch.max(outputs.data, 1) # 获取预测类别 total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy of the network on the {len(test_dataset)} test images: {(100 * correct / total):.2f}%') ``` #### 解析 - **数据处理**：使用 `torchvision.transforms` 对 MNIST 数据进行了标准化处理[^2]。 - **模型定义**：构建了一个两层全连接神经网络，并应用 ReLU 和 log softmax 函数来完成分类任务[^2]。 - **模型加载**：通过调用 `load_state_dict()` 方法加载已有的模型权重。 - **评估阶段**：关闭梯度跟踪 (`torch.no_grad`) 并统计正确率。