【Pytorch】15.自定义验证照片测试自定义的CIFAR10网络
输入照片的处理
因为CIFAR10对输入照片要求的格式为tensor(1,3,32,32)而我们在网上找到的图片基本都不满足要求，所以我们需要对网络上找到的图片先进行处理
比如我们找到一个猫的照片
img_path = "../imgs/cat.jpeg"
img = Image.open(img_path)
# <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=358x312 at 0x1009DAA90>
# 这里我们可以看到默认的格式不是RGB格式的 ,而我们训练出的数据集只能处理三通道，所以我们需要对通道数由RGBA转化为RGB形式
print(img)
# 将图片转化为RGB格式
img = img.convert('RGB')
# <PIL.Image.Image image mode=RGB size=358x312 at 0x103002BE0>
print(img)
# 定义一个转化规则为transform，将图像转化为32x32像素，并且转化为tensor格式
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
img_tensor = transform(img)
# torch.Size([3, 32, 32])
print(img_tensor.shape)
img_tensor = torch.reshape(img_tensor, (1, 3, 32, 32))
# torch.Size([1, 3, 32, 32])
print(img_tensor.shape)
我们需要上面一系列的操作才能将图片的地址转化为tensor[1,3,32,32]
导入训练好的神经网络
在上一节的训练中，我们已经成功获得了训练30轮的CIFAR10神经网络，我们需要将训练好的网络加载到当前文件中，具体可以看【Pytorch】12.网络模型的加载、修改与保存
model = CIFAR10Model()
model = torch.load('../models/cifar10_model30.pth', map_location='cpu')
output = model(img_tensor)
经过这个步骤，我们就可以得到当前图片在CIFAR10数据集中10分类的哪个概率最大了，然后我们通过output.argmax(1)来获取最大概率的下标，然后根据下标来对应数据集的元素
print(output.argmax(1))
dataset = torchvision.datasets.CIFAR10(root='../dataset', train=False, download=False,
transform=torchvision.transforms.ToTensor())
print(dataset.classes[output.argmax(1)])
我们可以看到输出了cat
完整代码
import torch
import torchvision
from PIL import Image
from CIFAR10Model import *
# 图片目录
img_path = "../imgs/dog.png"
img = Image.open(img_path)
# <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=358x312 at 0x1009DAA90>
# 这里我们可以看到默认的格式不是RGB格式的 ,而我们训练出的数据集只能处理三通道，所以我们需要对通道数由RGBA转化为RGB形式
print(img)
# 将图片转化为RGB格式
img = img.convert('RGB')
# <PIL.Image.Image image mode=RGB size=358x312 at 0x103002BE0>
print(img)
# 定义一个转化规则为transform，将图像转化为32x32像素，并且转化为tensor格式
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()])
img_tensor = transform(img)
# torch.Size([3, 32, 32])
print(img_tensor.shape)
img_tensor = torch.reshape(img_tensor, (1, 3, 32, 32))
# torch.Size([1, 3, 32, 32])
print(img_tensor.shape)
model = CIFAR10Model()
model = torch.load('../models/cifar10_model30.pth', map_location='cpu')
output = model(img_tensor)
# tensor([2])
print(output.argmax(1))
dataset = torchvision.datasets.CIFAR10(root='../dataset', train=False, download=False,
transform=torchvision.transforms.ToTensor())
print(dataset.classes[output.argmax(1)])
原文地址：https://blog.csdn.net/Elephant_King/article/details/139032158
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！