目录
推理阶段
训练完模型保存后,在推理阶段只需要实例化模型,加载参数,然后对图片进行预处理即可获取推理结果,实际上这部分和训练时候进行评估的代码十分类似
获取图片
直接从CIFAR10 的测试集中选6张图片
图片预处理
在训练阶段,我们对图片进行了归一化及标准化操作以及调整维度顺序hwc-->chw,预测的时候,我们需要对待预测的图片进行同样的处理,并且进行升维组成BCHW格式的数组
img_data = np.transpose(((np.array(img) / 255) - mean) / std, (2, 0, 1))[None, ...]
img_data = torch.tensor(img_data, dtype=torch.float32)
从网络前向传播的数组获取结果
网络的前向传播的到的数组实际还不是我们真正理解的结果
根据网络的定义,前向传播返回的结果是[B,10]的数组,
需要把这个数组解释成人类理解的结果,对数组进行sorftmax函数处理以获取我们对其输出的各类的置信度信息,而最大值的索引即为预测的label
img_data = np.transpose(((np.array(img) / 255) - mean) / std, (2, 0, 1))[None, ...]
img_data = torch.tensor(img_data, dtype=torch.float32)
pred = model(img_data)
conf = torch.softmax(pred, dim=1)
conf, index = conf.max(dim=1)
完整代码
import numpy as np
import torch
import torchvision
from matplotlib import pyplot as plt
from net import LeNet
def get_test_img(n):
test_set = torchvision.datasets.CIFAR10(
root=r'D:\Cproject\ex001\CIFAR10', # 如果下载,下载的位置,也可以手动下载,放到这个位置来
train=False,
download=False, # 下载地址 https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
transform=None
)
samples = []
for i in range(n):
img, label = test_set[i]
samples.append(([img, label]))
return samples
def main():
fig = plt.figure() # 初始化一张画布
samples = get_test_img(6)
classes = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
target = []
for i in range(len(samples)):
plt.subplot(2, 3, i + 1)
plt.imshow(samples[i][0])
plt.title(classes[samples[i][1]])
target.append(classes[samples[i][1]])
# 展示一下原始图片
plt.show()
model = LeNet(10)
model.load_state_dict(torch.load('model.pth', map_location='cpu'))
model.eval()
with torch.no_grad():
mean = (0.5, 0.5, 0.5)
std = (0.5, 0.5, 0.5)
result = []
for img, label in samples:
img_data = np.transpose(((np.array(img) / 255) - mean) / std, (2, 0, 1))[None, ...]
img_data = torch.tensor(img_data, dtype=torch.float32)
pred = model(img_data)
conf = torch.softmax(pred, dim=1)
conf, index = conf.max(dim=1)
result.append([conf.item(), index])
for i in range(len(samples)):
print(f"""{i:<3} label:{target[i]:<10} pred:{classes[result[i][1]]:<10} conf:{result[i][0]:.3f}""")
return
if __name__ == '__main__':
main()
结果如下
0 label:cat pred:cat conf:0.684
1 label:ship pred:ship conf:0.994
2 label:ship pred:airplane conf:0.214
3 label:airplane pred:ship conf:0.634
4 label:frog pred:frog conf:0.473
5 label:frog pred:frog conf:0.714