PyTorch(三)——使用训练好的模型测试自己图片

目录连接
(1) 数据处理
(2) 搭建和自定义网络
(3) 使用训练好的模型测试自己图片
(4) 视频数据的处理
(5) PyTorch源码修改之增加ConvLSTM层
(6) 梯度反向传递(BackPropogate)的理解
(7) 模型的训练和测试、保存和加载
(8) pyTorch-To-Caffe
(总) PyTorch遇到令人迷人的BUG

PyTorch的学习和使用（三）

在上一篇文章中实现了如何增加一个自定义的Loss，以Siamese network为例。现在实现使用训练好的该网络对自己手写的数字图片进行测试。

首先需要对训练时的权重进行保存，然后在测试时直接加载即可。

torch.save(net, path)
torch.load(path)

即可。

然后自己手写的图片进行处理。

把需要测试的图片放入一个文件夹中，然后使用然后对图片数据进行加载，对图片数据进行归一化处理，并且调整大小为（B,C,H,W）。

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((1.1618,), (1.1180,))])

def get_files(directory):
    return [os.path.join(directory, f) for f in sorted(list(os.listdir(directory)))
            if os.path.isfile(os.path.join(directory, f))]
images = np.array([])
file = get_files('./data/figure')
for i, item in enumerate(file):
    print('Processing %i of %i (%s)' % (i+1, len(file), item))
    image = transform(Image.open(item).convert('L'))
    images = np.append(images, image.numpy())

img = images.reshape(-1, 1, 28, 28)
img = torch.from_numpy(img).float()
label = torch.ones(5,1).long()

其加载后的数据可视化为：

最后加载模型并测试。

torch.load('./saveT.pt')
def test(data, label):
    net.eval()

    data, label = Variable(data, volatile=True), Variable(label)
    output = net(data)
    out = output.view(-1, 4)
    test_loss = criterion(out[:, 0:2], out[:, 2:4], label).data[0]
    pred = classify(out.data[:, 0:2], out.data[:, 2:4])
    correct = pred.eq(label.data).sum()