基于resnet训练flower图像分类模型（p31-p37）上一篇，我改成别的笔记本跑完了。按照老师的步骤，进行加载模型及测试数据预测。
我们之前是冻住了，只训练一层，也可以全部训练，我的显卡太低跑时间太长了，这部分没跑。
1加载训练好的模型model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)# GPU模式model_ft = model_ft.to(device)# 保存文件的名字filename='checkpoint.pth'# 加载模型checkpoint = torch.load(filename)best_acc = checkpoint['best_acc']model_ft.load_state_dict(checkpoint['state_dict'])
2测试数据预处理测试数据处理方法需要跟训练时一致才可以。输入的大小是一致，标准化用跟训练数据相同的mean和std,PyTorch中颜色通道是第一个维度，跟很多工具包都不一样，需要转换。
def process_image(image_path): # 读取测试数据 img = Image.open(image_path) # Resize,thumbnail方法只能进行缩小，所以进行了判断 if img.size[0] > img.size[1]: img.thumbnail((10000, 256)) else: img.thumbnail((256, 10000)) # Crop操作 left_margin = (img.width - 224) / 2 bottom_margin = (img.height - 224) / 2 right_margin = left_margin + 224 top_margin = bottom_margin + 224 img = img.crop((left_margin, bottom_margin, right_margin, top_margin)) # 相同的预处理方法 img = np.array(img) / 255 mean = np.array([0.485, 0.456, 0.406]) # provided mean std = np.array([0.229, 0.224, 0.225]) # provided std img = (img - mean) / std # 注意颜色通道应该放在第一个位置 img = img.transpose((2, 0, 1)) return imgdef imshow(image, ax=None, title=None): """展示数据""" if ax is None: fig, ax = plt.subplots() # 颜色通道还原 image = np.array(image).transpose((1, 2, 0)) # 预处理还原 mean = np.array([0.485, 0.456, 0.406]) std = np.array([0.229, 0.224, 0.225]) image = std * image + mean image = np.clip(image, 0, 1) ax.imshow(image) ax.set_title(title) return aximage_path = './data/flower_data/train/3/image_06620.jpg'img = process_image(image_path)imshow(img)
在验证集随便选一张花的图片进行测试
3对一个batch的数据进行测试# 得到一个batch的测试数据dataiter = iter(dataloaders['valid'])images, labels = dataiter.next()model_ft.eval()if train_on_gpu: output = model_ft(images.cuda()) #utput表示对一个batch中每一个数据得到其属于各个类别的可能性else: output = model_ft(images)
output,有8张图片，每个图片有102种分类结果
得到概率最大的那个
_, preds_tensor = torch.max(output, 1) #得到概率最大的那个preds = np.squeeze(preds_tensor.numpy()) if not train_on_gpu else np.squeeze(preds_tensor.cpu().numpy())
展示预测结果:
fig=plt.figure(figsize=(20, 12))columns =4rows = 2for idx in range (columns*rows): ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[]) plt.imshow(im_convert(images[idx])) ax.set_title("{} ({})".format(cat_to_name[str(preds[idx])], cat_to_name[str(labels[idx].item())]), color=("green" if cat_to_name[str(preds[idx])]==cat_to_name[str(labels[idx].item())] else "red"))plt.show() #绿色名字为预测正确，红色名字为预测错误
看这个图，效果还不错，跟之前模型的85%的准确率比较符合。