完整模型验证套路

1.导入工具包

2.设置图片路径

3.读取图片

4.调整通道数为3

5.构造函数调整图片格式用于训练(可以输出查看一下)

6.导入用第一种方式保存的训练模型(导入GPU训练的模型，用CPU验证需要加一个参数)

7.调整图片的格式使其具有batchsize(需要有batchsize才能放入模型)

8.调整成测试模型(不会因为测试数据而调整模型)

9.测试模型

10.最后用直观的方式输出模型的预测结果

import torch
import torchvision
from PIL import Image
from torch import nn

img_path = "F:/deeplearning/demo_2/imags/2.png"

image = Image.open(img_path)
print(image)
image = image.convert("RGB") # png图像是四个通道，有一个透明度，用此行代码保留其颜色通道
# 如果图片本来就是三个通道保留其颜色不变，经此操作，可以适应png、jpg各种格式的图片
print(image)

# 将变化构造在一起
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
                                            torchvision.transforms.ToTensor()
                                            ])
image = transform(image)
print(image.shape)

# 搭建神经网络
class Dsc(nn.Module):
    def __init__(self):
        super(Dsc, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x

if __name__ == '__main__':
    dsc = Dsc()
    input = torch.ones((64, 3, 32, 32))
    output = dsc(input)
    print(output.shape)


# 加载模型
model = torch.load("dsc_5.pth")
print(model)
# 如果模型是在gpu上训练的，且需要加载到cpu上运行，应该用如下方式
# model = torch.load("dsc_5.pth", map_location=torch.device('cpu'))

image = torch.reshape(image,(1, 3, 32, 32))

model.eval() # 调整成测试模式，不对测试数据进行修改模型
with torch.no_grad(): # 这一行代码可以节约性能
    output = model(image)

print(output)
print(output.argmax(1))



/*
输出

tensor([[ 6.3277,  0.9530,  3.9253, -1.7403, -1.0751, -2.5407, -1.2411, -4.4859,
         -0.3651, -0.1523]])
tensor([0])

*/

了解了以下开源项目的查看方法