PyTorch 教程-卷积神经网络模型测试

在看到这个图像后，我们会意识到这是数字5。现在，我们将尝试让我们的网络对其进行预测。

我们有以下步骤来预测数字图像：

步骤1：

import requests

url=' http://calstormbasketball.com/wp-content/uploads/2018/08/5020657994731_01c.jpeg '  

步骤2：

response=requests.get(url,stream=True)

步骤3：

from PIL import Image

img=Image.open(response.raw)

plt.imshow(img)  plt.show()

当我们运行它时，它将生成一个错误，因为PIL。我们必须首先安装pillow才能运行此代码。我们必须在anaconda命令提示符上运行conda install -c anaconda pillow命令来安装pillow。

专属福利 
👉点击领取：最全Python资料合集

步骤4：

我们需要确保图像与神经网络训练学习的内容相对应。我们的图像是1000 * 1000像素，因此我们需要将其转换为28 * 28的灰度图像，就像训练数据中的图像一样。在我们训练的图像数据集中，图像具有黑色背景和白色前景，在上面的图像中，有一个白色背景和黑色前景。现在，我们的第一个任务是对这个图像进行预处理。

img=PIL.ImageOps.invert(img)

img=img.convert('1')

transform1=transforms.Compose([transforms.Resize((28,28)),transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))])  img=transform1(img)

import PIL.ImageOps  plt.imshow(im_convert(img))

步骤5：

image=img.to(device)  image=image[0].unsqueeze().unsqueeze(0)

output=model(image)  _,pred=torch.max(output,1)  print(pred.item())

步骤6：

dataiter=iter(validation_loader)  images,labels=dataiter.next()

images_=images.to(device)  labels=labels.to(device)  output=model(images_)  _,preds=torch.max(output,1)

步骤7：

fig=plt.figure(figsize=(25,4))

ax=fig.add_subplot(2,10,idx+1)

plt.imshow(im_convert(images[idx]))   ax.set_title("{}({})".format(str(preds[idx].item()),str(labels[idx].item())),  color=("green" if preds[idx]==labels[idx] else "red"))

image=tensor.cpu().clone().detach().numpy()

完整代码：

import torch  import matplotlib.pyplot as plt  import numpy as np  import torch.nn.functional as func  import PIL.ImageOps  from torch import nn  from torchvision import datasets,transforms   import requests  from PIL import Image  transform1=transforms.Compose([transforms.Resize((28,28)),transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))])  training_dataset=datasets.MNIST(root='./data',train=True,download=True,transform=transform1)  validation_dataset=datasets.MNIST(root='./data',train=False,download=True,transform=transform1)  training_loader=torch.utils.data.DataLoader(dataset=training_dataset,batch_size=100,shuffle=True)  validation_loader=torch.utils.data.DataLoader(dataset=validation_dataset,batch_size=100,shuffle=False)  def im_convert(tensor):      image=tensor.cpu().clone().detach().numpy()      image=image.transpose(1,2,0)      print(image.shape)      image=image*(np.array((0.5,0.5,0.5))+np.array((0.5,0.5,0.5)))      image=image.clip(0,1)      return image  dataiter=iter(training_loader)  images,labels=dataiter.next()  fig=plt.figure(figsize=(25,4))  for idx in np.arange(20):      ax=fig.add_subplot(2,10,idx+1)      plt.imshow(im_convert(images[idx]))      ax.set_title([labels[idx].item()])class classification1(nn.Module):      def __init__(self,input_layer,hidden_layer1,hidden_layer2,output_layer):          super().__init__()          self.linear1=nn.Linear(input_layer,hidden_layer1)          self.linear2=nn.Linear(hidden_layer1,hidden_layer2)          self.linear3=nn.Linear(hidden_layer2,output_layer)      def forward(self,x):          x=func.relu(self.linear1(x))          x=func.relu(self.linear2(x))          x=self.linear3(x)          return x  model=classification1(784,125,65,10)  criteron=nn.CrossEntropyLoss()  optimizer=torch.optim.Adam(model.parameters(),lr=0.0001)  epochs=12  loss_history=[]  correct_history=[]  val_loss_history=[]  val_correct_history=[]  for e in range(epochs):      loss=0.0      correct=0.0      val_loss=0.0      val_correct=0.0      for input,labels in training_loader:          inputs=input.view(input.shape[0],-1)          outputs=model(inputs)          loss1=criteron(outputs,labels)          optimizer.zero_grad()          loss1.backward()          optimizer.step()          _,preds=torch.max(outputs,1)          loss+=loss1.item()          correct+=torch.sum(preds==labels.data)      else:          with torch.no_grad():              for val_input,val_labels in validation_loader:                  val_inputs=val_input.view(val_input.shape[0],-1)                  val_outputs=model(val_inputs)                  val_loss1=criteron(val_outputs,val_labels)                   _,val_preds=torch.max(val_outputs,1)                  val_loss+=val_loss1.item()                  val_correct+=torch.sum(val_preds==val_labels.data)          epoch_loss=loss/len(training_loader.dataset)          epoch_acc=correct.float()/len(training_dataset)          loss_history.append(epoch_loss)          correct_history.append(epoch_acc)          val_epoch_loss=val_loss/len(validation_loader.dataset)          val_epoch_acc=val_correct.float()/len(validation_dataset)          val_loss_history.append(val_epoch_loss)          val_correct_history.append(val_epoch_acc)          print('training_loss:{:.4f},{:.4f}'.format(epoch_loss,epoch_acc.item()))          print('validation_loss:{:.4f},{:.4f}'.format(val_epoch_loss,val_epoch_acc.item()))  url='http://calstormbasketball.com/wp-content/uploads/2018/08/5020657994731_01c.jpeg'  response=requests.get(url,stream=True)  img=Image.open(response.raw)  img=PIL.ImageOps.invert(img)  img=img.convert('1')  img=transform1(img)   plt.imshow(im_convert(img))  images=img.to(device)  images=images[0].unsqueeze(0).unsqueeze(0)  output=model(images)  _,pred=torch.max(output,1)  print(pred.item())  dataiter=iter(validation_loader)  images,labels=dataiter.next()  images_=images.to(device)  labels=labels.to(device)  output=model(images_)  _,preds=torch.max(output,1)  fig=plt.figure(figsize=(25,4))  for idx in np.arange(20):      ax=fig.add_subplot(2,10,idx+1,xticks=[],yticks=[])      plt.imshow(im_convert(images[idx]))      ax.set_title("{}({})".format(str(preds[idx].item()),str(labels[idx].item())),color=("green" if preds[idx]==labels[idx] else "red"))  plt.show() 

 1

热门推荐

• 通知被裁了，却被领导要求继续干一个月，怎么办？
• 送不停！2024超好看的红包封面免费领！
• PyTorch 教程-卷积神经网络模型的验证