-
使用
torch.no_grad()：这是一个上下文管理器（context manager），用于暂时禁用在其作用域内的所有计算的梯度计算。这在模型评估阶段非常有用，因为它可以减少内存消耗并提高计算效率，因为验证过程中不需要计算梯度信息。 -
调用
model.eval()：这将模型设置为评估模式。在这种模式下，模型中的某些层（如批量归一化层 BatchNorm 和 dropout 层）会改变其行为，以适应评估（例如，BatchNorm 层会使用在训练时收集的运行时统计数据，而 dropout 层会关闭）。
import torch
from torch.utils.data import DataLoader
from sklearn.metrics import accuracy_scoredef evaluate_model(model, data_loader, device):"""对给定的模型和数据加载器进行验证。参数:- model: 要验证的PyTorch模型。- data_loader: 数据的PyTorch DataLoader。- device: 用于模型和数据的设备（'cuda' 或 'cpu'）。"""# 将模型设置为评估模式，这会关闭dropout和batch normalization层的训练行为model.eval()# 初始化度量指标total_correct = 0total_samples = 0# 使用torch.no_grad()上下文管理器来禁用梯度计算with torch.no_grad():# 遍历数据加载器中的所有批次for inputs, targets in data_loader:# 将数据移动到指定的设备inputs, targets = inputs.to(device), targets.to(device)# 前向传播，获取模型输出outputs = model(inputs)# 计算预测结果_, predicted = torch.max(outputs, 1)# 计算准确度correct = (predicted == targets).sum().item()total_correct += correcttotal_samples += targets.size(0)# 计算总体准确度accuracy = total_correct / total_samplesreturn accuracy