【Pytorch神经网络实战案例】03 CIFAR-10数据集：Pytorch使用GPU训练CNN模版-测试方法

import torch
import torchvision
from PIL import Image
from torch import nn
image_path="./test_img/dog.png"
image=Image.open(image_path)
print(image) #size=406x479 所以需要转换
# png格式是四个通道，除了RGB三通道外，还有一个透明度通道。
# 所以，我们调用image=image.convert（RGB）保留其颜色通道。
# 当然，如果图片本来就是三个颜色通道，经过此操作，不变。
# 加上这一步后可以适应png、jpg各种格式的图片。
image=image.convert('RGB')
transform=torchvision.transforms.Compose([
        torchvision.transforms.Resize((32,32)),
        torchvision.transforms.ToTensor()])
image=transform(image)
image=image.cuda()
print(image.shape)
# 搭建神经网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            # Conv2d中
            ##in_channels：输入的通道数目 【必选】
            ##out_channels： 输出的通道数目 【必选】
            ##kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】
            ##stride： 卷积每次滑动的步长为多少，默认是 1 【可选】
            ##padding（手动计算）：设置在所有边界增加值为0的边距的大小（也就是在feature map 外围增加几圈 0 ），
            ##                 例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】
            ##dilation：控制卷积核之间的间距【可选】
            nn.Conv2d(3, 32, 5, 1, 2),
            # MaxPool2d中：
            # #kernel_size(int or tuple) - max pooling的窗口大小，
            # # stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size
            # # padding(int or tuple, optional) - 输入的每一条边补充0的层数
            # # dilation(int or tuple, optional) – 一个控制窗口中元素步幅的参数
            # # return_indices - 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
            # # ceil_mode - 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作
            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（）是用于设置网络中的全连接层的，在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，形状通常为[batch_size, size]
            # 相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )
    def forward(self, x):
        x = self.model(x)
        return x
# 加载网络模型
model=torch.load("tudui_0.pth", map_location=torch.device("cuda"))
# model=torch.load("tudui_0.pth", map_location=torch.device("cpu"))
# Expected 4-dimensional input for 4-dimensional weight [32, 3, 5, 5],
# but got 3-dimensional input of size [3, 32, 32] instead
image=torch.reshape(image,(1,3,32,32))
model.eval()
with torch.no_grad():#提升性能
    output=model(image)
print(output)
print(output.argmax(1))