P31_完整的模型验证套路

完整的模型验证（测试，demo）套路——利用已经训练好的模型，然后给它提供输入

1.png和jpg格式的图片通道数

（1）png格式的图片是4通道（RGB三通道+透明度通道），jpg格式的图片是3通道（RGB），可以用PIL.Image.convert('RGB')来转换（不同截图软件保留的通道数也不一样）。

（2）transform.Conpose的使用：

Compose()中的参数需要是一个列表：

Compose([transforms参数1，transforms参数2...])

（3）使用案例如下：

点击查看代码

Example:
    >>> transforms.Compose([
    >>>     transforms.CenterCrop(10),
    >>>     transforms.PILToTensor(),
    >>>     transforms.ConvertImageDtype(torch.float),
    >>> ])

2.小细节：

将model设置到model.eval()，with torch.no_grad()可以节约内存，提高性能。

（1）model.eval()
model.eval()是PyTorch中模型的一个方法，用于设置模型为评估模式。在评估模式下，模型的所有层都将正常运行，但不会进行反向传播（backpropagation）和参数更新。

（2）torch.no_grad()
torch.no_grad()是PyTorch的一个上下文管理器，用于在不需要计算梯度的场景下禁用梯度计算。在使用torch.no_grad()上下文管理器的情况下，所有涉及张量操作的函数都将不会计算梯度，从而节省内存和计算资源。

3.将在gpu上训练的模型导入到在cup上运行的程序时要添加：

map_location=torch.device('cpu')关键字参数。

（1）读取dog的照片，并利用train里面跑出来的模型dyl_0.pth进行预测

（2）代码如下

点击查看代码

import torch
import torchvision
from PIL import Image
from torch import nn

# device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

img_path =r"D:\DeepLearning\Learn_torch\images\dog.png"
#读取这张图片
image = Image.open(img_path)
print(image)
# image.show()
image = image.convert('RGB')

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

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


class Dyl(nn.Module):
    def __init__(self):
        super(Dyl, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3,32,5,1,2) ,   #padding为2，之前计算过
            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(1024,64),
            nn.Linear(64,10)
        )
    def forward(self, x):
        x = self.model(x)
        return x
#加载网络模型：
# model = torch.load("dyl_0.pth")
#将在gpu上训练的模型导入到在cup上运行的程序时要添加：map_location=torch.device('cpu')关键字参数
model = torch.load("dyl_0.pth", map_location='cpu')
print(model)
image = torch.reshape(image,(1,3,32,32))
model.eval()
with torch.no_grad():
    output = model(image)
print(output)
print(output.argmax(1))

（3）它训练的结果不是很准确：

点击查看代码

<PIL.PngImagePlugin.PngImageFile image mode=RGB size=456x336 at 0x2B5F2FF6A90>
torch.Size([3, 32, 32])
Dyl(
  (model): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)
tensor([[-1.4050, -0.2401,  0.9364,  0.8570,  1.0776,  1.0941,  1.3038,  0.7209,
         -2.0690, -1.1032]])
tensor([6])

预测结果是tensor([6])，

但是打开P26_train.py的test_data打断点发现CIFAR10中的dog对应的序列是5，而不是6

(4)应对措施：
可以多训练几次

例如把epoch训练10轮改成训练30轮，并使用谷歌的gpu来跑模型，保存模型另设（以作区分）：

点击查看代码

#8.3用epoch记录训练轮次，训练10轮
epoch = 30

    #11.保存模型(保存每一轮训练的结果）
    torch.save(dyl,"dyl_{}_gpu.pth".format(i))

（5）把训练的模型下载到对应文件夹目录
训练了3分钟

把dyl_29_gpu.pth、dyl_28_gpu.pth、dyl_27_gpu.pth和dyl_16_gpu.pth等都下载下来了，

（6）打开pycharm，重新指定模型：
我试的是dyl_16_gpu.pth，使得运行成果是tensor([5])即dog

【我试了好几个模型包括dyl_29_gpu.pth，但是预测的效果不是很好，是tensor([2])即预测成了bird】

点击查看代码

#将在gpu上训练的模型导入到在cup上运行的程序时要添加：map_location=torch.device('cpu')关键字参数
#model = torch.load("dyl_0.pth", map_location='cpu')
#重新指定模型：
model = torch.load("dyl_16_gpu.pth", map_location='cpu')

（7）运行成果：
tensor([5])

（8）把dog换成了airplane 试试：

预测airplane得到tensor[0]，预测正确：