test data 의 loss 계산식 문의

10_ADVANCE-EXAMPLE-MILTI-LABEL-CLASSIFICATION 과 11_MILTI-LABEL-CLASSIFICATION-DROPOUT-BATCHNORMALIZATION 강의자료에서 맨 밑부분의 테스트셋 기반 Evaluation 에서 test_loss 를 계산할 때 전체 데이터인 10000으로 나누셨는데, 왜 그러신건지 궁금해서 질문드립니다.

train 과 validation 의 loss 계산은 train_batches 와 val_batches 개수(for문 도는 횟수) 만큼만 나누셨는데 test loss 를 계산할 때는 minibatch 가 아닌 전체 데이터로 나누셔서 상대적으로 test data 의 loss 값이 작아보여서요.


test_loss = 0

correct = 0

wrong_samples, wrong_preds, actual_preds = list(), list(), list()

model.eval()

with torch.no_grad():

for x_minibatch, y_minibatch in test_batches:

y_test_pred = model(x_minibatch.view(x_minibatch.size(0), -1))

test_loss += loss_func(y_test_pred, y_minibatch)

pred = torch.argmax(y_test_pred, dim=1)

correct += pred.eq(y_minibatch).sum().item()

wrong_idx = pred.ne(y_minibatch).nonzero()[:, 0].numpy().tolist()

for index in wrong_idx:

wrong_samples.append(x_minibatch[index])

wrong_preds.append(pred[index])

actual_preds.append(y_minibatch[index])

test_loss /= len(test_batches.dataset)