28、完整的模型验证步骤

利用已经训练好的模型，给它提供输入

'''完整模型的验证'''
import torch
import torchvision
from PIL import Image
from torch import nn

'''1、就是真实的应用场景：待预测的一张陌生图'''
#先获取图像的路径，----用Image.open()打开图像，此时读取成PIL类型----保留通道颜色----转换成tensor数据类型
img_path='../../dataset/Images/dog.png'
img=Image.open(img_path)
print(img)

#####! png格式的图像是4通道的，RGB+alpha（透明度），所以要调用img=img.convert('RGB')保留其颜色通道，如果本身就是3通道，加了这句不变化
img=img.convert('RGB')
'''2、转换成tensor数据类型'''
transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),       #compose是将几个变化合在一起，先改变尺寸大小，然后改变数据类型
                                          torchvision.transforms.ToTensor()])         #注意数据类型前后输出保持一致
img=transform(img)
print(img.shape)

'''3、网络模型'''
class class_net(nn.Module):
    def __init__(self):
        super().__init__()
        self.modle=nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5,stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4,out_features=64),
            nn.Linear(64,10)
        )

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

'''4、加载训练好的模型'''
model=torch.load('tuidui_0.pth')
#model=torch.load('tuidui_29_gpu.pth',map_location=torch.device('cpu'))
# 不同环境下训练的模型在应用到不同的环境中不同，在GPU下的模型导入时要映射到CPU设备上来
print(model)
img=torch.reshape(img,(1,3,32,32))
#测试模式,测试的时候是不需要梯度的

'''5、进行测试'''
model.eval()
with torch.no_grad():
    output=model(img)
print(output)

print(output.argmax(1))