模型训练完准确率为0的解决方法,以及模型验证方法(resize和reshape区别)

目录

 模型训练完准确率一直为0

完整的模型验证套路：test

reshape和reszie的区别 

debug方法 

---

 模型训练完准确率一直为0

• 计算准确率或者输出看loss、准确率时，需要把原来的tensor数据类型，转成普通的数字

即.item()进行转换

total_accuracy = (total_accuracy +accuracy).item()

# 最好转item数据类型，不然这个accuracy会是一个tensor的数据类型，tensor数据类型和一个普通的数据相除，结果一定是0

如果不转，就会输出：

如果Tensor数据类型没有转换，直接用 total_accuracy直接除以测试集10000这一数值，出来的结果会是0

转换后，结果正确：

完整的模型验证套路：test

import torchvision
from PIL import Image
from model import *

image_path ='dog.jpg'
# 用PIL读取图片
PIL_image = Image.open(image_path)
# 定义transform
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),torchvision.transforms.ToTensor()])
# PIL图片变成32*32，同时转tensor
tensor_image = transform(PIL_image)
# reshape，加一个batchsize
tensor_image = torch.reshape(tensor_image,(1,3,32,32))
tensor_image = tensor_image.cuda()
print(tensor_image.shape)
# 读取模型
modle = torch.load('module_10.pth')
module1 = Module()

module1.load_state_dict(modle)
module1 = module1.cuda()
# print(module1)

with torch.no_grad():
    output = module1(tensor_image)
    print(output)
    output = (output.argmax(1)).item()
    print(output)

reshape和reszie的区别 

 要注意reshape和resize的区别：

torchvision.transforms.Resize((32,32))

 tensor_image= torch.reshape(tensor_image,(B,C,W,H))

一个是切割裁剪图片，一个是对图片的像素进行重新排列组合，添加BatchSize

debug方法 

• 此时我们不记得5对应的是哪个类别，可以去代码中debug一下，看看数据集
• debug是运行到红点的上一行

 

 完成训练！

附一个修狗图片

这玩意都能预测出来是青蛙，厉害了~