這個章節，我們將談到 test()的部分。

進入主題之前，我們要注意的是，test_loader是固定的1000筆資料直接使用(沒epoch)，所以不download參數。因此，它並不帶有batch index 這欄位。

首先，先宣告這是validation的作業，而後將一些變數清0。

    model.eval()
    test_loss = 0
    correct = 0

由於我們在這個階段，目的是測試model的準確性，也就利用model做一種推估，再比較和實際值的差異，進而得到其準確性。所以，我們不需要 backword and optimizer來優化 weights。因此，我們宣告暫時不需要gradient。

with torch.no_grad():

接下來，每次讀一筆資料。讀入的資料，放入device中。進而餵入model得到預測結果output。

            data, target = data.to(device), target.to(device)
            output = model(data)

接著，我們計算 output 和 target 之間的 loss，累計之。同時，也計算推論正確的次數 correct，亦累計之。

            # sum up batch loss
            test_loss += F.nll_loss(output, target, reduction='sum').item()
	 #
            # get the index of the max log-probability
            pred = output.argmax(dim=1, keepdim=True)
	 #
            correct += pred.eq(target.view_as(pred)).sum().item()

Pred and correct大致說明一下。假設我們預測手寫數字為5，那麼output中機率最高的應為output[5]，所以pred=5。若預測的答案和target (5)相同，correct就累加1。

以上章節，講完本機的部分。
接下來會談及雲端的部分。