Pytorch笔记22 完整的模型验证套路

最新推荐文章于 2025-08-24 21:33:16 发布

原创最新推荐文章于 2025-08-24 21:33:16 发布 · 197 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #python #神经网络

Pytorch入门学习笔记专栏收录该内容

22 篇文章

订阅专栏

文章展示了如何利用训练好的卷积神经网络（CNN）模型avlon_0.pth对一张小狗图片进行分类。通过加载模型，应用预处理步骤，然后在测试模式下运行模型，预测结果显示图片被分类为类型5，对应于CIFAR10数据集中的dog类别。尽管模型可能由于只训练了一轮而存在预测误差。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

22.1 验证过程

利用已训练好的模型，提供输入，查看输出。

22.1.1 代码实现

选择验证笔记 21.1.2 中训练出的第一个模型"avlon_0.pth"；
首先选择一张图片，这里选择了一张小狗的图片"dog.png"

具体代码

import numpy as np
import torch
import torchvision.transforms
from PIL import Image
from torch import nn

image_path = "../imgs/dog.png"
image = Image.open(image_path)
print(image)
# 查看通道数，否则调用.convert('RGB')
# image = np.array(image)
# print(image.shape)
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
                                            torchvision.transforms.ToTensor()])

image = transform(image)
print(image.shape)


class Avlon(nn.Module):
    def __init__(self):
        super().__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)
        )

    def forward(self, x):
        x = self.model(x)
        return x


# 1.若在 CPU 上运行 GPU 模型，需要将 GPU 模型映射到 CPU 上
# model = torch.load("avlon_0_gpu.pth", map_location=torch.device('cpu'))
model = torch.load("avlon_0.pth")
print(model)
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()    # 测试模式
with torch.no_grad():    # 减少运行内存
    image = image.cuda()    # 2."avlon_0.pth"是GPU上训练出来的，故权值在GPU上，输入也需要在GPU上，否则报错
    output = model(image)
print(output)
print(output.argmax(1))    # 返回最大的预测值的列索引值