如何利用已经训练好的模型，验证它的结果，步骤如下：

步骤一：加载测试输入并更改为合适尺寸

• 保存图片到指定文件夹下，注意是否为同级目录
• 注意：返回上一级目录为“…/xxx"
• 有时，我们自己的输入数据的尺寸不满足模型的输入尺寸，可以使用Resize() 进行变换
• 如果为png格式的图片，则它除了RGB三通道外，还有一个透明度通道，需要使用convert()，来去除透明度通道
• 代码如下：

import torch
from PIL import Image
from torchvision import transforms

image_path = 'images/dog.png'
image = Image.open(image_path)
print(image)    # <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=216x157 at 0x22375C91010>
# 由于该png图片为RGBA四通道和216*157，需要将它转换为RGB三通道和32*32
image = image.convert('RGB')
# 使用compose函数将多个transforms组合在一起
transform = transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor()])
image = transform(image)
print(image.size())    # torch.Size([3, 32, 32])

步骤二：加载训练好的模型

• 使用torch.load() 加载训练好的模型
• 由于训练模型使用的是GPU，所以在输入数据时需要将数据转换为GPU的格式
• 由于训练模型时的数据为4维，且第一维度为batch_size，所以需要使用reshape()将输入图片数据转换为4维
• 代码如下：

tudui = torch.load('pth/module29.pth')
# 由于训练模型使用的是GPU，所以在输入数据时需要将数据转换为GPU的格式
image = image.cuda()
# 由于训练模型时的数据为4维，且第一维度为batch_size，所以需要将输入数据转换为4维
image = torch.reshape(image, (1, 3, 32, 32))

步骤三：开始测试

• 将模型设置为测试模式
• 使用with torch.no_grad(): 关闭梯度计算，提高计算效率
• 使用argmas(1)，让它横向输出概率最高的下标号
• 代码如下：

# 将模型设置为测试模式
tudui.eval()
# 使用torch.no_grad()上下文管理器，关闭梯度计算
with torch.no_grad():
    output = tudui(image)
    print(output.argmax(1))

# 输出结果：
# <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=130x138 at 0x187D30E17D0>
# torch.Size([3, 32, 32])
# tensor([5], device='cuda:0')

• 模型的各类别下标号如下：
  
• 输入图片如下：
  

注意事项

• 当我们在没有GPU的环境中加载使用cuda训练的模型时，需要指定该模型的map_location，代码如下：

tudui = torch.load('pth/module29.pth', map_location='cpu')