PyTorch CNN – 测试模型

我们对网络进行了2次训练，每次训练遍历训练数据集。现在来检查模型的训练结果。

我们将使用测试数据集来测试模型。

首先查看一下测试数据集中的内容：

dataiter = iter(testloader)
images, labels = dataiter.next()

# 显示图片
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

上面图片对应的分类：

GroundTruth:    cat  ship  ship plane

那么，模型对上面的图片是怎么预测的呢：

outputs = net(images)

输出是这10个类的概率值。类的概率值越高，图片属于该类的可能性就越高:

predicted = torch.max(outputs, 1) # 获取最大值所在的类

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))

输出

Predicted:    cat  ship  ship  ship

可以把预测结果跟上面的实际分类比较一下。

让我们看看模型在整个数据测试数据集上的表现：

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

输出

Accuracy of the network on the 10000 test images: 52 %

可以看到，模型具有一定准确率，在训练中确实学到了一些东西。

按分类看一下模型的预测准确率：

class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs, 1)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i].item()
            class_total[label] += 1


for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))

输出

Accuracy of plane : 45 %
Accuracy of   car : 44 %
Accuracy of  bird : 35 %
Accuracy of   cat : 27 %
Accuracy of  deer : 56 %
Accuracy of   dog : 58 %
Accuracy of  frog : 70 %
Accuracy of horse : 46 %
Accuracy of  ship : 78 %
Accuracy of truck : 57 %