（十六）完整的模型验证套路

【声明】来源b站视频小土堆PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

测试/demo

套路：利用及已经训练好的模型，给它提供输入

模型是在谷歌的gpu上训练好的，精度为60多，这边直接加载

 test.py

import torch
from PIL import Image
import torchvision
import torch.nn as nn

img_path = "./data/cat.png" #图片路径
image = Image.open(img_path) #读取图片,把图片转换为PIL类型
#png格式是4通道，RGB+透明通道
image = image.convert('RGB') #保留颜色通道，如果图片本来就是三个通道，经过此操作，不变，加上这一步，可以适应png,jpg各种格式的图片
print(image)

transform = torchvision.transforms.Compose([
    torchvision.transforms.Resize((32,32)), #把图片进行resize
    torchvision.transforms.ToTensor() #转换为Tensor
])
image = transform(image)
print(image.shape)

# 搭建神经网络
class Model(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )
    def forward(self, input):
        input = self.model(input)
        return input

model = torch.load("./data/mymodel_train_goole29.pth",map_location=torch.device('cpu'))
print(model)
image = torch.reshape(image,(1,3,32,32))
model.eval() #把模型转换为测试类型
with torch.no_grad(): #没有梯度
    output =model(image)
print(output) # tensor([[-1.4594,  0.5749,  0.6508,  0.7668,  0.8262,  0.8882,  1.1195,  0.5799,
#           -1.7798, -0.3695]])
print(output.argmax(1)) #预测类别 tensor([6])

结果