import torch import torchvision from PIL import Image from torch import nnimage_path="./test_img/dog.png" image=Image.open(image_path)print(image) #size=406x479 所以需要轉換# png格式是四個通道，除了RGB三通道外，還有一個透明度通道。 # 所以，我們調用image=image.convert（RGB）保留其顏色通道。 # 當然，如果圖片本來就是三個顏色通道，經過此操作，不變。 # 加上這一步后可以適應png、jpg各種格式的圖片。 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) # 搭建神經網絡 class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model = nn.Sequential(# Conv2d中##in_channels：輸入的通道數目 【必選】##out_channels： 輸出的通道數目 【必選】##kernel_size：卷積核的大小，類型為int 或者元組，當卷積是方形的時候，只需要一個整數邊長即可，卷積不是方形，要輸入一個元組表示 高和寬。【必選】##stride： 卷積每次滑動的步長為多少，默認是 1 【可選】##padding（手動計算）：設置在所有邊界增加值為0的邊距的大小（也就是在feature map 外圍增加幾圈 0 ），## 例如當 padding =1 的時候，如果原來大小為 3 × 3 ，那么之后的大小為 5 × 5 。即在外圍加了一圈 0 。【可選】##dilation：控制卷積核之間的間距【可選】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的窗口移動的步長。默認值是kernel_size# # padding(int or tuple, optional) - 輸入的每一條邊補充0的層數# # dilation(int or tuple, optional) – 一個控制窗口中元素步幅的參數# # return_indices - 如果等于True，會返回輸出最大值的序號，對于上采樣操作會有幫助# # ceil_mode - 如果等于True，計算輸出信號大小的時候，會使用向上取整，代替默認的向下取整的操作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（）是用于設置網絡中的全連接層的，在二維圖像處理的任務中，全連接層的輸入與輸出一般都設置為二維張量，形狀通常為[batch_size, size]# 相當于一個輸入為[batch_size, in_features]的張量變換成了[batch_size, out_features]的輸出張量。nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, x):x = self.model(x)return x# 加載網絡模型 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))

總結

以上是生活随笔為你收集整理的【Pytorch神经网络实战案例】03 CIFAR-10数据集：Pytorch使用GPU训练CNN模版-测试方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。