完整的神经网络模型验证套路

       以下就是完整的神经网络模型验证套路，我们拿到的数据集是CIFAR10，CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。它能够将图像进行10分类。我们训练好我们的模型之后，那么模型已经保存好了，我们就要拿这个模型来验证我们的分类效果如何，下面就是完整的神经网络模型验证套路：

# 姓   名：杨雅静
# 开发时间：2021/11/15 9:33
import torch
import torchvision
from PIL import Image
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear

image_path="F:\learn-pytorch\image\miao.png"
image = Image.open(image_path)
print(image)

transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),torchvision.transforms.ToTensor()])
image=transform(image)

print(image.shape)


class net_work(nn.Module):   #这是搭建的神经网络模型，可写可不写，删掉也可以
    def __init__(self):
        super(net_work, self).__init__()
        self.model = nn.Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )
    def forward(self,x):
        x=self.model(x)
        return x

model=torch.load("ss_4.pth")  #我们将第4轮训练出的模型加载出来
print(model)
image=torch.reshape(image,(1,3,32,32))
model.eval()             #开始测试
with torch.no_grad():    #测试的时候梯度不需要改变 参数不需要更新 要保持良好的代码习惯哦~
    output = model(image)
print(output)
print(output.argmax(1))   #输出分类的结果 argmax(1)就是按照行输出最大值的编号