哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
的P32讲介绍了利用上几节的模型，从网上找了一张狗的图片进行验证。
所用图片为：
上几节的CIFAR10模型的每个序列对应的真实类别如图：
若结果为第5个类别的概率最大，则验证成功！
代码注释为：
其中tudui_0.pth为上几节保存的文件，这个代码要用最开始cpu训练的模型。
import torch
import torchvision
from PIL import Image
from torch import nn
image_path = "imgs/dog.png"
image = Image.open(image_path)
print(image)
image = image.convert('RGB')
# 因为png格式为四个通道，除了RGB三个通道外，还有一个透明度通道。所以调用此语句保留其颜色通道。
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
# 这个照片size=258x208，因为模型为32×32，所以改一下
image = transform(image)
print(image.shape)
# 加载网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
# 为了避免上下两个def都写一整串，将整个网络放到序列当中，前边有讲过，注释了很多代码有老乡的那一篇
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2), # 卷积
nn.MaxPool2d(2), # 池化
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), # 最后两步的展平
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
model = torch.load("tudui_0.pth")
print(model)
# img输入到这个模型中
# 这里一开始用的gpu的模型，会报错，换成cpu的"tudui_0.pth"模型就行了
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():
output = model(image)
print(output)
print(output.argmax(1))
结果如图：
很遗憾，没有验证对，识别成了青蛙。这是因为训练了10次，次数不够。我们用GPU进行30次训练再试一次。
还是这个代码，有一个细节的修改，在！！！处注释了。这次用的30次训练后的gpu模型
import torch
import torchvision
from PIL import Image
from torch import nn
image_path = "imgs/dog.png"
image = Image.open(image_path)
print(image)
image = image.convert('RGB')
# 因为png格式为四个通道，除了RGB三个通道外，还有一个透明度通道。所以调用此语句保留其颜色通道。
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
# 这个照片size=258x208，因为模型为32×32，所以改一下
image = transform(image)
print(image.shape)
# 加载网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
# 为了避免上下两个def都写一整串，将整个网络放到序列当中，前边有讲过，注释了很多代码有老乡的那一篇
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2), # 卷积
nn.MaxPool2d(2), # 池化
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), # 最后两步的展平
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
# model = torch.load("tudui_0.pth") # 这里一开始用的gpu的模型，会报错，换成cpu的"tudui_0.pth"模型就行了
model = torch.load("tudui_29_gpu.pth", map_location=torch.device('cpu'))
# gpu的训练模型的话，上边这个指令代替上边的上边那个指令
# ！！！！！！！！！！！！！！！！！！！
print(model)
# img输入到这个模型中
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():
output = model(image)
print(output)
print(output.argmax(1))
结果如图：
识别成了鹿🦌，还是不对！！！！！！！
人工智障！！！！！！！！！！！！！！！
但是，up主的图片识别出来了，
我们换个图片再试一遍。换个飞机?，如图：
这次算对啦！
CIFAR10模型第0个是飞机：正确！！！！
再来个，房子：
结果如图：
第7个是房子：正确!!!
我还试了猫的图片，可惜算成了dog，实验了卡车和房子都正确。
up说这个模型的正确率为60％