import torch import torchvision from PIL import Image from torch import nn from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear # ==================== 1. 网络结构（必须和训练时完全一致） ==================== class Tudui(nn.Module): def __init__(self): super(Tudui, self).__init__() self.model = Sequential( Conv2d(3, 32, 5, padding=2), MaxPool2d(2), Conv2d(32, 32, 5, padding=2), MaxPool2d(2), Conv2d(32, 64, 5, padding=2), MaxPool2d(2), Flatten(), Linear(1024, 64), Linear(64, 10) ) def forward(self, x): return self.model(x) # ==================== 2. 加载模型（直接用完整模型） ==================== # 用你保存的完整模型文件，选一个（比如 tudui_9.pth 是训练10轮后的） model = torch.load("tudui_9.pth", map_location=torch.device('cpu')) model.eval() print("✅ 模型加载成功！") # ==================== 3. 加载图片 ==================== image_path = "img/dog.jpg" # 改成你的图片路径 image = Image.open(image_path) print(f"✅ 图片加载成功，原始尺寸: {image.size}") # ==================== 4. 预处理图片 ==================== transform = torchvision.transforms.Compose([ torchvision.transforms.Resize((32, 32)), torchvision.transforms.ToTensor(), ]) image_tensor = transform(image) print(f"✅ 预处理后尺寸: {image_tensor.shape}") # 加 batch 维度 image_tensor = torch.reshape(image_tensor, (1, 3, 32, 32)) print(f"✅ 添加 batch 维度后: {image_tensor.shape}") # ==================== 5. 推理 ==================== with torch.no_grad(): output = model(image_tensor) predict = output.argmax(1).item() # ==================== 6. 输出结果 ==================== classes = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'] print(f"\n{'='*40}") print(f"🎯 模型预测结果: {classes[predict]}") print(f"{'='*40}") print("\n📊 各类别得分详情:") for i, score in enumerate(output[0]): print(f" {classes[i]}: {score:.4f}")1.选用一个训练过10轮的网络用cpu进行测试
model = torch.load("tudui_9.pth", map_location=torch.device('cpu')) model.eval()2.把图片放入指定路径，打开
image_path = "img/dog.jpg" # 改成你的图片路径 image = Image.open(image_path)
3.修改图片的像素为32*32，必须修改，因为你的卷积层第一步就是Conv2d(3, 32, 5, padding=2),他只能卷32*32的，别的图片他会报错。然后再张量化，为后续操作做准备
transform = torchvision.transforms.Compose([ torchvision.transforms.Resize((32, 32)), torchvision.transforms.ToTensor(), ])
4.PyTorch 官方在设计和实现Conv2d、BatchNorm2d、Linear等层时，就规定了输入必须是 4 维张量，(batch, channels, height, width)，而单张图片默认是 3 维的(channels, height, width)所以必须reshape
image_tensor = torch.reshape(image_tensor, (1, 3, 32, 32)) print(f"✅ 添加 batch 维度后: {image_tensor.shape}")5.
with torch.no_grad(): output = model(image_tensor) predict = output.argmax(1).item()
with torch.no_grad():不计算梯度，只计算不更新模型
output = model(image_tensor)，output是什么？
output │ ├── 类型：torch.Tensor（PyTorch 张量） │ ├── 形状：torch.Size([1, 10]) │ │ │ ├── 第0维大小=1（1张图） │ └── 第1维大小=10（10个类别） │ ├── 数据类型：torch.float32（32位浮点数） │ └── 存储的内容：10个浮点数
output是一个张量，存了二维的数，第0维是多少张图片，第1维是10个类型的得分。
output.argmax(1)拿到第一维的10个类型中得分最高的位置，output.argmax(1).item()给他从张量还原回数字，从而得到序号
为什么output是二维的？
因为模型会始终保持 batch 维度。输入是[batch, 3, 32, 32]，输出也是[batch, 10]。batch 是第一维，类别得分是第二维。
6.通过predict序号找出类别，输出各类别和得分
classes = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'] print(f"\n{'='*40}") print(f"🎯 模型预测结果: {classes[predict]}")print("\n📊 各类别得分详情:") for i, score in enumerate(output[0]): print(f" {classes[i]}: {score:.4f}")