前言
利用已经训练好的模型,给它提供输入进行测试,能够对外进行应用
一、打开一张PIL类型的图片
image_path = "images/onepiece.png"
image = Image.open(image_path)
print(image)
二、调整图片
1.尺寸格式调整
可见图片尺寸为1920992,但模型要求输入图片尺寸为3232的totensor类型
因此要对图片进行尺寸变化,尺寸变化之后要将PIL类型转化为totensor类型
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
image = transform(image) # 应用 transform
注意复习compose
2.mode调整
因为png图片是四通道类型,除了RGB三通道外,还有一个透明度的通道,因此要调用image = image.convert(‘RGB’)
,保留颜色通道
调整完后:
三、加载网络模型
1.加载方法及陷阱
之前采用第一种保存方式torch.save保存的,应采用torch.load加载
model = torch.load("tudui_0.pth")
注意之前提到过的方法一的陷阱,加载前要把网络模型复制到该文件
输出结果:
2.报错和解决办法
这时图片在经过网络模型时出现格式不匹配,少一位因为没有指定batch_size
解决办法:
image = torch.reshape(image, (1, 3, 32, 32))
输出:
注意
output
表示了该图片分别对应十种类别的概率大小
四、完整代码
import torch
import torchvision
from PIL import Image
from torch import nn
image_path = "images/onepiece.png"
image = Image.open(image_path)
print(image)
image = image.convert('RGB')
# 图像大小,只能是模型中的32,32,然后转为 totensor 数据类型
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
image = transform(image) # 应用 transform
print(image.shape) # 打印图像大小
#加载网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__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
model = torch.load("tudui_0.pth") # 加载训练模型
print(model)
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad(): # 这步可以节约内存,提高性能
output = model(image)
print(output)
print(output.argmax(1))