pytorch 使用训练好的模型预测新数据

神经网络在进行完训练和测试后，如果达到了较高的正确率的话，我们可以尝试将模型用于预测新数据。总共需要两大部分：神经网络、预测函数（新图片的加载，传入模型、得出结果）。

完整代码

import torch, glob, cv2
from torchvision import transforms
import numpy as np
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):  # 神经网络部分用你自己的def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(1, 32, 3, 2, 1)  # nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)self.conv2 = nn.Conv2d(32, 64, 3, 2, 1)self.conv3 = nn.Conv2d(64, 128, 3, 1)self.dropout1 = nn.Dropout2d(0.25)self.dropout2 = nn.Dropout2d(0.5)self.fc1 = nn.Linear(6272, 128)  # 6272=128*7*7self.fc2 = nn.Linear(128, 8)def forward(self, x):x = self.conv1(x)x = F.relu(x)x = self.conv2(x)x = F.relu(x)x = self.conv3(x)x = F.relu(x)x = F.max_pool2d(x, 2)x = self.dropout1(x)x = torch.flatten(x, 1)x = self.fc1(x)x = F.relu(x)x = self.dropout2(x)x = self.fc2(x)self.output = F.log_softmax(x, dim=1)out1 = xreturn self.output,out1def predict():model = Net()model.load_state_dict(torch.load('test.pt'))torch.no_grad()imgfile = glob.glob(r"")  # 输入要预测的图片所在路径print(len(imgfile), imgfile)for i in imgfile:imgfile1 = i.replace("\\", "/")img = cv2.imdecode(np.fromfile(imgfile1, dtype=np.uint8), cv2.IMREAD_GRAYSCALE)img = cv2.resize(img, (64, 64))  # 是否需要resize取决于新图片格式与训练时的是否一致tran = transforms.ToTensor()img = img.reshape((*img.shape, -1))img = tran(img)img = img.unsqueeze(0)outputs, out1 = model(img)  # outputs，out1修改为你的网络的输出predicted, index  = torch.max(out1, 1)degre = int(index[0])list = [0, 45, -45, -90, 90, 135, -135, 180]print(predicted, list[degre])if __name__ == '__main__':predict()

神经网络部分复制你在训练时定义的神经网络即可，如果模型保存为字典，则需要

model.load_state_dict(torch.load('test.pt'))

新图片的格式需要与训练测试时的图片格式保持一致，所以需要resize，如果新图片为相同格式略过。

最后的list是你样本类别的list，每一类的索引需要与label保持一致，例如：

list = ['裤子', '套衫', '连衣裙', '外套', '凉鞋', '衬衫', '运动鞋', '短靴']

结果分析

tensor([7.0595], grad_fn=<MaxBackward0>) 45
tensor([11.9538], grad_fn=<MaxBackward0>) -45
tensor([5.8450], grad_fn=<MaxBackward0>) 135

前面的张量tensor代表了各个类别的“概率”中最大的那一个，然后根据最大“概率”所在的位置（index）来找到list所对应的类别，然后输出。

pytorch 使用训练好的模型预测新数据相关推荐

ML之xgboost：基于xgboost(5f-CrVa)算法对HiggsBoson数据集(Kaggle竞赛)训练实现二分类预测(基于训练好的模型进行新数据预测)
ML之xgboost:基于xgboost(5f-CrVa)算法对HiggsBoson数据集(Kaggle竞赛)训练实现二分类预测(基于训练好的模型进行新数据预测) 目录输出结果设计思路核心代码 ...
mxnet保存模型，加载模型来预测新数据
mxnet保存模型,以及用模型来预测新数据我们希望训练好之后的模型,可以保存下来,然后需要预测新数据的时候,就可以拿来用,可以这样做. 我们以线性回归的例子来讲: 1,训练并保存模型. impo ...
Keras之MLP：利用MLP【Input(8)→(12)(relu)→O(sigmoid+二元交叉)】模型实现预测新数据(利用糖尿病数据集的八个特征实现二分类预测
Keras之MLP:利用MLP[Input(8)→(12)(relu)→O(sigmoid+二元交叉)]模型实现预测新数据(利用糖尿病数据集的八个特征实现二分类预测目录输出结果实现代码输出结果 ...
Keras之DNN：利用DNN【Input(8)→(12+8)(relu)→O(sigmoid)】模型实现预测新数据(利用糖尿病数据集的八个特征进行二分类预测
Keras之DNN:利用DNN[Input(8)→(12+8)(relu)→O(sigmoid)]模型实现预测新数据(利用糖尿病数据集的八个特征进行二分类预测目录输出结果设计思路实现代码输出 ...
Keras之DNN：利用DNN算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病数据集训练、评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果)
Keras之DNN:利用DNN算法[Input(8)→12+8(relu)→O(sigmoid)]利用糖尿病数据集训练.评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果) 目录输出结果 ...
持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能
来源:Deep IMBA 本文约4800字,建议阅读9分钟本文将讨论6种方法,使模型可以在保持旧的性能的同时适应新数据,并避免需要在整个数据集(旧+新)上进行重新训练. 持续学习是指在不忘记从前面的 ...
ML之回归预测：利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)+预测新数据得分
ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测)+预测新数据得分导读本文章基于前边的一篇文章,对13种机器学习的回归模型性能比较 ...
ML之xgboost：利用xgboost算法对Boston(波士顿房价)数据集【特征列分段→独热编码】进行回归预测(房价预测)+预测新数据得分
ML之xgboost:利用xgboost算法对Boston(波士顿房价)数据集[特征列分段→独热编码]进行回归预测(房价预测)+预测新数据得分导读对Boston(波士顿房价)数据集进行特征工程,分 ...
SPSS Modeler 中如何利用训练好的模型进行新数据源的预测？
一.利用训练数据(Demos文件夹中的property_values_train.sav)得到模型块taxable_value: 注意原数据文件中有目标字段taxable_value字段: 需要进行预 ...

pytorch 使用训练好的模型预测新数据

完整代码

结果分析

pytorch 使用训练好的模型预测新数据相关推荐

最新文章

热门文章