模型验证

介绍

不想多说。

​ 注意下 torch.no_grad()和model.eval()就行了。

torch.no_grad()禁用梯度操作，节约性能。

model.eval()不只是不反向传播，里面某些层（如dropout)是不生效的。

image_path = "../imgs/airplane.png"
# image_path = "TuDui/imgs/airplane.png"   # 复制相对路径，就是对的了
image = Image.open(image_path)  # PIL类型的图片
print(image)
image = image.convert('RGB')  # 这里在word中，有截图，是跟png的通道数有关系的

# 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


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", map_location=torch.device('cpu'))  # 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))