深度学习（1）：基于ResNet架构的一个识别小猪图像的预训练模型

1.什么是与训练模型：

下面截取了一位博主的博文，完整博文请看：https://blog.51cto.com/u_14013325/3239223

2.需要识别的图像：little_pig.jpeg

3.预训练代码：

import torch
from torchvision import models
from torchvision import transforms
from PIL import Image

# 对输入图像进行预处理，使其大小正确、值（颜色）大致处于相同的数值范围
preprocess = transforms.Compose([
    transforms.Resize(256),       # 将输入图像缩放到256 x 256
    transforms.CenterCrop(224),   # 围绕中心裁剪为224 x 224
    transforms.ToTensor(),        # 转换成张量（RGB颜色、宽度、高度）
    transforms.Normalize(         # 进行归一化处理
        mean = [0.485, 0.456, 0.406],    # 均值
        std = [0.229, 0.224, 0.225])     # 标准差
])
# 导入图像
img = Image.open("F:/Python_Deep_Learning/img/little_pig.jpeg")
img.show()

# 预处理管道传递图像
img_t = preprocess(img)

# 按照网络期望的方式对输入的张量进行重塑、裁剪和归一化处理
batch_t = torch.unsqueeze(img_t, 0)    # 0：数据为行方向扩，1：列方向扩

# resnet.eval() 是保证BN（批标准化）层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变
# 运行模型（测试），在 resnet(test)之前，需要加上resnet.eval()，否则，有输入数据，即使不训练，它也会改变权值。这是resnet中含有 BN 层和 Dropout 所带来的的性质。
# pretrained = True：指示函数下载resnet101在ImageNet数据集上训练好的权重
resnet = models.resnet101(pretrained = True)
resnet.eval()

# 如果不这么做，那么一些预先训练过的模型，如归一化和Dropout将不会产生有意义的答案。设置好eval，准备推理
# 可以打印查看神经网络的构建模块
print("############神经网络模块################")
print(resnet)

#######################################################################
# 先运行上面部分，接着加上下面部分运行（推理）
print("############ resnet(数据) ################")
out = resnet(batch_t)
print(out)
print("############ 训练后得到的结果的数据结构（1行1000列）################")
print(out.shape)

# 加载一个预测标签的列表，按照训练中呈现给网络的顺序列出标签，然后从网络中产生最高得分的索引挑选标签
with open("data/imagenet_classes.txt") as f :
    labels = [line.strip() for line in f.readlines()]     # 将f的内容全部放到lable中；按行读取f，strip：并将空格、分隔符都去掉；readlines：读行；
# 获得的out张量中最大值及对应的索引，即可对应标签（0:同一列中找出最大值，指出对应的行数； 1:同一行中找出最大值，指出对应的列数）
_, index = torch.max(out, 1)      # （0：列，1：行）.  _,：具体的value，index：value所在的index

# 对n维输入张量运用Softmax函数，将张量的每个元素根据本身大小按比例缩放到（0,1）区间且和为1。
percentage = torch.nn.functional.softmax(out, dim=1) [0] * 100
print(labels[index[0]])
print("#########################")
print(percentage[index[0]].item())
print("#########################")

print("###########将所有预测以及概率的都显示##############")
_, indices = torch.sort(out, descending=True)   # True:递减排序
for idx in indices[0][:5]:
    print("idx: ", idx, "预测物体：", labels[idx], "预测概率：", percentage[idx])

预训练识别的结果：