训练好模型的调用和使用

最新推荐文章于 2024-07-12 07:47:18 发布

lix_gogogo

最新推荐文章于 2024-07-12 07:47:18 发布

阅读量2.3k

点赞数 4

分类专栏： pytorch 文章标签：深度学习人工智能 python

本文链接：https://blog.csdn.net/mengdeer_Q/article/details/129103088

版权

pytorch 专栏收录该内容

23 篇文章 1 订阅

订阅专栏

文章展示了如何加载基于CIFAR10数据集训练的神经网络模型，该模型在30轮后对测试集达到67.17%的正确率。通过使用Transform调整输入图片尺寸并转化为Tensor，模型成功预测了名为cat_diandian.jpg的图片内容为猫。

摘要由CSDN通过智能技术生成

针对之前根据CIFAR10训练好的模型（30轮，对测试集有67.17%的正确率），并用其对输入图片进行测试

以下是输入图片，文件名为 cat_diandian.jpg：

以下为具体代码：

# 针对训练好的模型，提取出准确率最高的模型，例如My_nn_29_ac=67.17%.pth
# 导入模型
import torchvision

from net_work import *
from PIL import Image
import torch

my_nn = torch.load('./My_nn_29_ac=67.17%.pth')

# 导入图片，比如我养的猫的图

file_path = './cat_diandian.jpg'  # 导入路径
image = Image.open(file_path)  # 打开图片
# image.show()  # 展示图片
# print(image)  # 尺寸为227*145 而要求的输入图片的尺寸为32*32,因此要转换

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

# print(image.shape)  # torch.Size([3, 32, 32])

# 由于类接收（N,C,H,W）格式，因此要reshape():

image = torch.reshape(image, (1, 3, 32, 32))
# print(image.shape)  # torch.Size([1, 3, 32, 32])

# 使用类进行预测
out = my_nn(image)

class_all = {0: '飞机',
             1: '手机',
             2: '鸟',
             3: '猫',
             4: '鹿',
             5: '狗',
             6: '青蛙',
             7: '马',
             8: '船',
             9: '卡车'}
index = out.argmax().item()
print('预测结果为： {}'.format(class_all[index]))  # 预测结果为： 猫

可见训练模型能政策预测图片种类为猫。