完整的模型测试(deom）步骤

最新推荐文章于 2024-07-27 12:20:46 发布

晓亮.

最新推荐文章于 2024-07-27 12:20:46 发布

阅读量2.6k

点赞数 2

文章标签： python 开发语言神经网络 cnn 深度学习

本文链接：https://blog.csdn.net/m0_51816252/article/details/125160952

版权

模型验证测试流程数据预处理模型加载图像识别

关键词由CSDN通过智能技术生成

本文主要讲解了完整的模型验证，测试（deom）的具体步骤。简单来讲就是利用已经训练好的模型，给它提供输入，查看这输入经过模型后输出的结果。

一、具体的步骤

1 读取文件（相对路径）

首先要读取我们需要输入进模型的数据，代码如下：

imgs_path = "./imgs/dog.png "
image = Image.open(imgs_path)
print(image)

输出结果：

<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=273x188 at 0x1AA25DE87F0>

2 转换数据类型

因为每个模型的输入数据都是有要求的，比如在这里的模型，输入就要求（N , C，H, W）

所以我们就要将输入数据转换成我们需要的数据类型

# png格图片是4通道，我们的数据是3通道，需要转换
image = image.convert("RGB")
print(image)

# 将PIL 转换成tensor 类型
transform = torchvision.transforms.Compose([transforms.Resize((32, 32)),
transforms.ToTensor()])
image = transform(image)
print(image.shape)

输出结果：

<PIL.Image.Image image mode=RGB size=273x188 at 0x1AA2C2131D0>
torch.Size([3, 32, 32])

注意：

image = image.convert('RGB')

因为在png格式图片是四个通道，除了RGB三通道外，还有一个透明度通道

所以我们调用imge = image.convert('RGB')，保留其颜色通道，也就是三通道，

先对于png,jpg等图片格式，都可以这样写。

3 加载网络模型

加载经过训练的网络模型，因为我们使用的方法一进行模型保存的，所以使用相应的方法来加载，代码如下：

class Test(nn.Module):
def __init__(self):
super(Test, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Flatten(),
nn.Linear(in_features=1024, out_features=64),
nn.Linear(in_features=64, out_features=10)
)

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

model = torch.load("test_0.pth")
print(model)

输出结果：

Test(
(model): Sequential(
(0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Flatten(start_dim=1, end_dim=-1)
(7): Linear(in_features=1024, out_features=64, bias=True)
(8): Linear(in_features=64, out_features=10, bias=True)
)
)

4 进行测试

image = torch.reshape(image, (1, 3, 32, 32))
model.eval() # 网络设置成验证状态
with torch.no_grad(): # 表示在 with 里的代码，它的梯度就没有了，可以减少运算量
output = model(image)
print(output)
print(output.argmax(1))

输出结果：

tensor([[-2.9796, -0.0722, 0.5522, 0.6336, 1.4741, 0.9235, 2.3937, 1.1616,
-3.4060, -0.5349]], grad_fn=<AddmmBackward0>)
tensor([6])

注意：

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

是因为添加一个N值，满足输入数据类型

model.eval() 是将网络设置成验证状态，规范化，写代码都可以加上
with torch.no_grad(): 表示在 with 里的代码，它的梯度就没有了，可以减少运算量

print(output.argmax(1)) 是将结果输入的更加简单，argmax(1)就是横向计算，argmax(0)就是纵向计算

二、完整代码及注意事项

1.完整代码

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

# 读取文件
imgs_path = "./imgs/dog.png "
image = Image.open(imgs_path)
print(image)

# png格图片是4通道，我们的数据是3通道，需要转换
image = image.convert("RGB")
print(image)

# 将PIL 转换成tensor 类型
transform = torchvision.transforms.Compose([transforms.Resize((32, 32)),
                                           transforms.ToTensor()])
image = transform(image)
print(image.shape)

# 搭建神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=1024, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

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

# 加载经过训练的网络模型
model = torch.load("test_0.pth")
print(model)
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()                  #   网络设置成验证状态
with torch.no_grad():        #   表示在 with 里的代码，它的梯度就没有了，可以减少运算量
    output = model(image)
print(output)
print(output.argmax(1))

2 输出结果

<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=273x188 at 0x1AA25DE87F0>
<PIL.Image.Image image mode=RGB size=273x188 at 0x1AA2C2131D0>
torch.Size([3, 32, 32])
Test(
  (model): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)
tensor([[-2.9796, -0.0722,  0.5522,  0.6336,  1.4741,  0.9235,  2.3937,  1.1616,
         -3.4060, -0.5349]], grad_fn=<AddmmBackward0>)
tensor([6])