MNIST 训练完的模型加载及输入本地图片识别(pytorch）

在上一篇文章中，我们使用MNIST数据集对建立的卷积神经网络进行了训练，并加载测试集进行测试，最终的识别精度达到了99%。

但是测试流程只是最终给到了整体的测试结果，没有很直观的给到我们看识别效果，所以接下来随机的在MNIST数据集中抽取几张照片，或者自行手写一些数字，输入到训练好的网络中进行识别，来验证结果是不是正确。

如之前的文章所述，使用pytorch 加载的MNIST数据集是以二进制形式存在的，需要进行可视化转换及保存，具体的操作可以参看之前的文章。
MNIST数据集详解及可视化处理（pytorch）

我们在训练集或者测试集中随机抽取五张图片，并以图片内容命名，放到模型和python文件同一文件夹内。
然后使用 torch.load 来加载已经训练完成的模型，依次读取文件夹内的jpg图片，并输出结果观察是否与图片名称一致。

import torch
from mnist import *
import glob
import cv2
import torch.nn.functional as F
from torch.autograd import Variable
from torchvision import datasets, transforms
import numpy as np
import torchvision
from skimage import io,transform


if __name__ =='__main__':
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = torch.load('./MNIST.pth') #加载模型
    model = model.to(device)
    model.eval()    #把模型转为test模式
    
    #循环读取文件夹内的jpg图片并输出结果
    for jpgfile in glob.glob(r'./*.jpg'):
        print(jpgfile)#打印图片名称，以与结果进行对照
        img = cv2.imread(jpgfile)  #读取要预测的图片，读入的格式为BGR
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#图片转为灰度图，因为mnist数据集都是灰度图
        img=np.array(img).astype(np.float32)
        img=np.expand_dims(img,