PyTorch(三)——使用训练好的模型测试自己图片
2017-05-31 09:24
751 查看
目录连接
(1) 数据处理
(2) 搭建和自定义网络
(3) 使用训练好的模型测试自己图片
(4) 视频数据的处理
(5) PyTorch源码修改之增加ConvLSTM层
(6) 梯度反向传递(BackPropogate)的理解
(总) PyTorch遇到令人迷人的BUG
PyTorch的学
在上一篇文章中实现了如何增加一个自定义的Loss,以Siamese network为例。现在实现使用训练好的该网络对自己手写的数字图片进行测试。
即可。
其加载后的数据可视化为:
(1) 数据处理
(2) 搭建和自定义网络
(3) 使用训练好的模型测试自己图片
(4) 视频数据的处理
(5) PyTorch源码修改之增加ConvLSTM层
(6) 梯度反向传递(BackPropogate)的理解
(总) PyTorch遇到令人迷人的BUG
PyTorch的学
4000
习和使用(三)
在上一篇文章中实现了如何增加一个自定义的Loss,以Siamese network为例。现在实现使用训练好的该网络对自己手写的数字图片进行测试。首先需要对训练时的权重进行保存,然后在测试时直接加载即可。
torch.save(net, path) torch.load(path)
即可。
然后自己手写的图片进行处理。
把需要测试的图片放入一个文件夹中,然后使用然后对图片数据进行加载,对图片数据进行归一化处理,并且调整大小为(B,C,H,W)。transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((1.1618,), (1.1180,))]) def get_files(directory): return [os.path.join(directory, f) for f in sorted(list(os.listdir(directory))) if os.path.isfile(os.path.join(directory, f))] images = np.array([]) file = get_files('./data/figure') for i, item in enumerate(file): print('Processing %i of %i (%s)' % (i+1, len(file), item)) image = transform(Image.open(item).convert('L')) images = np.append(images, image.numpy()) img = images.reshape(-1, 1, 28, 28) img = torch.from_numpy(img).float() label = torch.ones(5,1).long()
其加载后的数据可视化为:
最后加载模型并测试。
torch.load('./saveT.pt') def test(data, label): net.eval() data, label = Variable(data, volatile=True), Variable(label) output = net(data) out = output.view(-1, 4) test_loss = criterion(out[:, 0:2], out[:, 2:4], label).data[0] pred = classify(out.data[:, 0:2], out.data[:, 2:4]) correct = pred.eq(label.data).sum()
相关文章推荐
- pytorch: 准备、训练和测试自己的图片数据
- 使用caffe训练并且测试一个自己的模型
- caffe用自己的数据训练模型,并测试输出图片类别
- mxnet 使用自己的图片数据训练CNN模型
- 使用caffe训练并且测试一个自己的模型
- Tensorflow 如何使用自己cifar10训练模型检测一张任意的图片
- TensorFlow学习笔记(八) 如何训练自己的图片模型-基于inception模型(未完成)使用迁移学习和从头学习
- 使用官方FCN模型测试自己的图片
- 使用caffe训练并且测试一个自己的模型
- 【深度学习】笔记6:使用caffe中的CIFAR10网络模型和自己的图片数据训练自己的模型(步骤详解)
- Tensorflow学习笔记:用minst数据集训练卷积神经网络并用训练后的模型测试自己的BMP图片
- mxnet实战笔记(1) - 使用自己的图片数据训练CNN模型
- 使用caffe训练并且测试一个自己的模型
- 利用caffe训练好的模型测试自己的手写字体图片
- 使用caffe训练并且测试一个自己的模型
- 使用lenet模型训练及预测自己的图片数据
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- caffe(二): 利用训练好的MNIST模型测试自己的手写字符图片
- tensorflow训练自己的数据集实现CNN图像分类2(保存模型&测试单张图片)