利用已经训练好的模型，给它提供输入，看输出

一、输入

1.找到一张图片

• 对于图片要进行转换

png格式是四个通道，除了RGB三通道外，还有一个透明度通道，通过下面的命令，可以适应png、jpg各种格式的图片。

命令：

image=image.convert('RGB')

二、实验对应的部分

1.代码

import torch
import torchvision
from PIL import Image #直接从PIL中导入Image,不是从PIL.Image

# 1. 图片的输入
from torch import nn

image_path="./images/plane.png"
image=Image.open(image_path)
print(image)

# 2. 转换为三通道
image=image.convert('RGB')

# 3. 将PIL格式转变为tensor数据类型
transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
                                          torchvision.transforms.ToTensor()])
image=transform(image)
print(image.shape)

# 4.引入模型结构：也可以单独建立文件夹，利用import
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1=nn.Sequential(
            nn.Conv2d(3, 32, 5, stride=1,padding=2),  # in_channel 3;out_channel 32;kernel 5;padding需要计算（一般不会太大）
            nn.MaxPool2d(2),  # kennel_Size=2
            nn.Conv2d(32, 32, 5,stride=1,padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5,stride=1, padding=2),
            nn.MaxPool2d(2),
            nn.Flatten(),  # 展平 ：可以把后面的删掉 获得输出的大小
            nn.Linear(64*4*4, 64),  # 看上一层的大小64*4*4=1024 ，可以看到是1024
            nn.Linear(64, 10)  # 输入大小 64 输出大小 10
        )
    def forward(self,x):
            x=self.model1(x)
            return x

# 5. 使用训练好的模型
model=torch.load("tudui_49_GPU.pth") #由GPU训练
# model=torch.load("tudui_49_GPU.pth",map_location=torch.device("cpu")) #由GPU模型映射到CPU模型上，后面的image不加cuda了
print(model)

# 6. 输出
image=torch.reshape(image,(1,3,32,32)) #转变通道数
image=image.cuda() #因为模型是GPU训练的，数据集也要用，要是CPU训练的模型，就去掉这个命令
model.eval()
with torch.no_grad(): #节省步骤，提升性能
  output=model(image)
print(output)
print(output.argmax(1)) #横向比较

2.输出对应的类别

3.运行结果：

利用colab运行50轮后的结果：测试集准确度0.65

预测狗

预测飞机