pytorch-MNIST测试实战

1. 为什么test

如下图：上下两幅图中蓝色分别表示train的accuracy和loss，黄色表示test的accuracy和loss，如果单纯看train的accuracy和loss曲线就会认为模型已经train的很好了，accuracy一直在上升接近于1了，loss一直在下降已经接近于0了，殊不知此时可能已经出现了over fitting（本数据集准确率很高，其他数据准确率很低），此时就需要test了，从图中可以看出test在红色划线右侧的accuracy已经不变甚至下降了，loss曲线波动也比较大，甚至已经上升了。

2. 如何做test

如下图所示：
argmax找出概率最大的数字的index
softmax在这里使用与不使用结果是一样的，因为softmax不改变单调性（大的依然大，小的依然小）
使用torch.eq计算预测值与目标值是否相当，相等返回1不等返回0
correct.sum().float().item() /4是用来计算accuracy的，其他sum()是计算正确的个数，item是tensor转bumpy； /4是除以总样本数

3. 什么时候做test

• 每几个batch做一次
• 一个epoch做一次
  注意：为什么不一个batch做一次test呢？因为test的数据可能也比较大，每个batch都test会影响train的速度

4. 完整代码

从一下代码可知，test是一个epoch做一次，首先像train一样load test数据，并搬到GPU中，然后数据输入到网络中，计算loss，最后计算准确了并打印输出

import  torch
import  torch.nn as nn
import  torch.nn.functional as F
import  torch.optim as optim
from    torchvision import datasets, transforms


batch_size=200
learning_rate=0.01
epochs=10

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)



class MLP(nn.Module):

    def __init__(self):
        super(MLP, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(784, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 200),
            nn.LeakyReLU(inplace=True),
            nn.Linear(200, 10),
            nn.LeakyReLU(inplace=True),
        )

    def forward(self, x):
        x = self.model(x)

        return x

device = torch.device('cuda:0')
net = MLP().to(device)
optimizer = optim.SGD(net.parameters(), lr=learning_rate)
criteon = nn.CrossEntropyLoss().to(device)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):
        data = data.view(-1, 28*28)
        data, target = data.to(device), target.cuda()

        logits = net(data)
        loss = criteon(logits, target)

        optimizer.zero_grad()
        loss.backward()
        # print(w1.grad.norm(), w2.grad.norm())
        optimizer.step()

        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


    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 += criteon(logits, target).item()

        pred = logits.argmax(dim=1)
        correct += pred.eq(target).float().sum().item()

    test_loss /= len(test_loader.dataset)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))