基于CIFAR10的完整模型测试套路

        利用已经训练好的模型，给其提供输入，对输出进行判断。

        CIFAR10有狗的分类，于是我们找一张狗的图片：

png格式的图片有四个通道，除了RGB外，还有一个透明度通道，所以调用：

image = image.convert('RGB')

        打印图片相关信息：

from PIL import Image

image_path = './imgs/img.png'
image = Image.open(image_path)
image = image.convert('RGB')
print(image)

输出：

<PIL.Image.Image image mode=RGB size=305x174 at 0x25023F5A108>

        大小为305*174，不符合我们网络的大小输入，查看Resize函数：

 可以对PIL和tensor类型处理：

transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
                                            torchvision.transforms.ToTensor()])
image = transform(image)

        因为前面的网络模型采用torch.save()进行保存，所以这里导入时需要导入原定义的网路，因为原来网络采用GPU训练，所以在导入CPU时，要在load时指明：

from torch import nn
import torch

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, padding=2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024, 64),
            nn.Linear(64, 10),
        )

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

model = torch.load('model_9', map_location=torch.device('cpu'))

        这时还不能直接将图片放入其中，因为网络输入应该为四维数据，第一个应该为batch_size，应该转换后在放入网络中：

image = torch.reshape(image, (1, 3, 32, 32))
model.eval()#模型为测试模式
with torch.no_grad():#可以省去一些不必要参数，节约一些内存
    output = model(image)

print(output.argmax(1))

输出为：

tensor([5])

        CIFAR10的target含义分别为：

 输出正确。