大家好，欢迎来到IT知识分享网。
本文主要讲解了完整的模型验证，测试（deom）的具体步骤。简单来讲就是利用已经训练好的模型，给它提供输入，查看这输入经过模型后输出的结果。
目录
一、具体的步骤
1 读取文件（相对路径）
首先要读取我们需要输入进模型的数据，代码如下：
输出结果：
<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=273×188 at 0x1AA25DE87F0>
2 转换数据类型
因为每个模型的输入数据都是有要求的，比如在这里的模型，输入就要求（N , C，H, W）
所以我们就要将输入数据转换成我们需要的数据类型
# png格图片是4通道，我们的数据是3通道，需要转换
image = image.convert(“RGB”)
print(image)# 将PIL 转换成tensor 类型
transform = torchvision.transforms.Compose([transforms.Resize((32, 32)),
transforms.ToTensor()])
image = transform(image)
print(image.shape)
输出结果：
注意：
image = image.convert(‘RGB’)
因为在png格式图片是四个通道，除了RGB三通道外，还有一个透明度通道
所以我们调用imge = image.convert(‘RGB’)， 保留其颜色通道，也就是三通道，
先对于png,jpg等图片格式，都可以这样写。
3 加载网络模型
加载经过训练的网络模型，因为我们使用的方法一进行模型保存的，所以使用相应的方法来加载，代码如下：
输出结果：
4 进行测试
image = torch.reshape(image, (1, 3, 32, 32))
model.eval() # 网络设置成验证状态
with torch.no_grad(): # 表示在 with 里的代码，它的梯度就没有了，可以减少运算量
output = model(image)
print(output)
print(output.argmax(1))
输出结果：
注意：
image = torch.reshape(image, (1, 3, 32, 32))
是因为添加一个N值，满足输入数据类型
model.eval() 是将网络设置成验证状态，规范化，写代码都可以加上
with torch.no_grad(): 表示在 with 里的代码，它的梯度就没有了，可以减少运算量
print(output.argmax(1)) 是将结果输入的更加简单，argmax(1)就是横向计算，argmax(0)就是纵向计算
二、完整代码及注意事项
1.完整代码
import torch import torchvision from PIL import Image from torch import nn from torchvision import transforms # 读取文件 imgs_path = "./imgs/dog.png " image = Image.open(imgs_path) print(image) # png格图片是4通道，我们的数据是3通道，需要转换 image = image.convert("RGB") print(image) # 将PIL 转换成tensor 类型 transform = torchvision.transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor()]) image = transform(image) print(image.shape) # 搭建神经网络 class Test(nn.Module): def __init__(self): super(Test, self).__init__() self.model = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2), nn.MaxPool2d(kernel_size=2), nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, padding=2), nn.MaxPool2d(kernel_size=2), nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, padding=2), nn.MaxPool2d(kernel_size=2), nn.Flatten(), nn.Linear(in_features=1024, out_features=64), nn.Linear(in_features=64, out_features=10) ) def forward(self, x): x = self.model(x) return x # 加载经过训练的网络模型 model = torch.load("test_0.pth") print(model) image = torch.reshape(image, (1, 3, 32, 32)) model.eval() # 网络设置成验证状态 with torch.no_grad(): # 表示在 with 里的代码，它的梯度就没有了，可以减少运算量 output = model(image) print(output) print(output.argmax(1))2 输出结果
<PIL.PngImagePlugin.PngImageFile image mode=RGBA size=273x188 at 0x1AA25DE87F0> <PIL.Image.Image image mode=RGB size=273x188 at 0x1AA2C2131D0> torch.Size([3, 32, 32]) Test( (model): Sequential( (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)) (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)) (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2)) (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (6): Flatten(start_dim=1, end_dim=-1) (7): Linear(in_features=1024, out_features=64, bias=True) (8): Linear(in_features=64, out_features=10, bias=True) ) ) tensor([[-2.9796, -0.0722, 0.5522, 0.6336, 1.4741, 0.9235, 2.3937, 1.1616, -3.4060, -0.5349]], grad_fn=<AddmmBackward0>) tensor([6]) 3 注意事项
如果电脑没有gpu,使用gpu训练的网络模型在cpu上进行测试的话，
需要将 model = torch.load(“test_0.pth”)
改为，model = torch.load(“test_0.pth”, map_location = torch.device(‘cpu’))
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/116013.html
