在进行pytorch训练后，需要进行测试部分的编写。
首先看一个train和test的波动实例
首先上图可视化结果来看，蓝线是train的正确率，随着运行次数的增加随之升高。而下图中的蓝线为train的loss过程，也随之降低。由图来看貌似训练过程良好，但实际被骗啦。
这是里面的over fitting在作怪，随着train的进行，里面的sample被其所记忆，导致构建的网络很肤浅，无法适应一些复杂的环境。
若想缓解这种情况，在train的同时做test。
由黄线test结果可看到，其总体趋势与train相一致，但呈现出的波动较大。但可明显注意到在上图的后半期test的正确率不再变化，且下图中的loss也很大。
总之，train过程并不是越多越好，而是取决于所采用的架构、函数、足够的数据才能取得较好的效果。
那么test部分该如何编写呢
本代码要实现一个验证的功能
原本要进行的cross entropy loss操作的结果，我们将Logits提出进行softmax操作，再进行argmax得到label，与cross entropy loss的结果进行验证查看正确与否。
代码语言：javascript复制import torch
import torch.nn.functional as F
logits = torch.rand(4, 10)
# 先定义一个logits，物理意义为有4张图片，每张图片有10维的数据
pred = F.softmax(logits, dim=1)
# 这里在10维度的输出值上进行softmax,
pred_label = pred.argmax(dim=1)
print(pred_label)
logits_label = logits.argmax(dim=1)
print(logits_label)输出为
代码语言：javascript复制tensor([1, 4, 7, 0])
tensor([1, 4, 7, 0])假设已知真实的label值，下面进行验证
代码语言：javascript复制true_label = torch.tensor([4, 6, 7, 9])
# 假定真实的label值为4, 6, 7, 9
correct = torch.eq(pred_label, true_label)
# 使用.eq函数来计算其正确率
print(correct.sum().float().item()/4)输出为
代码语言：javascript复制0.25正确率为25%，表明有一个预测正确。
那么何时使用test呢？
（1）train多个batch后进行一次test。或（2）每一个循环后进行一次test。
当具体到神经网络中时，变为
代码语言：javascript复制test_loss = 0
correct = 0
# 先设定两个初始值均为0
for data, target in test_loader:
data = data.view(-1, 28*28)
data, target = data.to(device), target.to(device)
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_loss.dataset)
