PyTorch快速入门教程【小土堆】-完整的模型验证套路

完整的模型验证套路：利用已经训练好的模型，然后给他提供输入，应用到实际环境过程中

验证集有2个主要的作用：

（1）评估模型效果，为了调整超参数而服务
（2）调整超参数，使得模型在验证集上的效果最好

ps:超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。

说明：

（1）验证集不像训练集和测试集，它是非必需的。如果不需要调整超参数，就可以不使用验证集，直接用测试集来评估效果。
（2）验证集评估出来的效果并非模型的最终效果，主要是用来调整超参数的，模型最终效果以测试集的评估结果为准。
 

步骤如下：

1.指定验证集路径，并让输入符合我们的模型

image_path="imgs/airplane.jpg"#图片路径
image=Image.open(image_path)
print(image)
#不同格式的图片通道数不同，png是4通道，除了RGB通道外还有一个透明通道
image=image.convert('RGB')#仅保留颜色通道

#让输入符合我们的模型
transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),#将图片大小转为32*32
                                          torchvision.transforms.ToTensor() ])#将图片转为tensor类型
image=transform(image)
print(image.shape)

2.搭建模型

#搭建网络模型
class Tudui(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,x):
        x=self.model(x)
        return x

3.加载模型

#采用GPU训练的东西，如果只是想要单纯的在CPU上运行的话，要把它从GPU上映射到cpu上map_location=torch.device('cpu')
model=torch.load("tudui_29_gpu.pth",map_location=torch.device('cpu'))
print(model)
#网络模型输入需要batch_size
image=torch.reshape(image,[1,3,32,32])

4.进行验证

model.eval()
with torch.no_grad():#消除梯度
    output=model(image)
print(output)

print(output.argmax(1))

代码如下：

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

image_path="imgs/airplane.jpg"#图片路径
image=Image.open(image_path)
print(image)
#不同格式的图片通道数不同，png是4通道，除了RGB通道外还有一个透明通道
image=image.convert('RGB')#仅保留颜色通道

#让输入符合我们的模型
transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),#将图片大小转为32*32
                                          torchvision.transforms.ToTensor() ])#将图片转为tensor类型
image=transform(image)
print(image.shape)


#搭建网络模型
class Tudui(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,x):
        x=self.model(x)
        return x
#加载网络模型
#RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False.
# If you are running on a CPU-only machine,
# please use torch.load with map_location=torch.device('cpu') to map your storages to the CPU.
#采用GPU训练的东西，如果只是想要单纯的在CPU上运行的话，要把它从GPU上映射到cpu上map_location=torch.device('cpu')
model=torch.load("tudui_29_gpu.pth",map_location=torch.device('cpu'))#tudui_29_gpu.pth是之前训练好的模型
print(model)
#网络模型输入需要batch_size
image=torch.reshape(image,[1,3,32,32])

model.eval()
with torch.no_grad():#消除梯度
    output=model(image)
print(output)

print(output.argmax(1))