pytorch evaluate model（torch.no_grad() and model.eval()）

• 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_score

def 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 = 0
    total_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 += correct
            total_samples += targets.size(0)
    
    # 计算总体准确度
    accuracy = total_correct / total_samples
    
    return accuracy