完整的模型验证套路————PyTorch（完结）

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：

他的意思是，若输出为tensor（[0]），则代表识别图片结果为 飞机。同理输出为tensor（[5]），则代表识别图片结果为 狗。
上图片若结果为第5个类别的概率最大，输出tensor（[5]）则验证成功！

代码看不懂可以看前面帖子（完整的模型训练套路（一）————PyTorch），有详细的注释。

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％