inference.py篇

inference.py 篇

目录：

• 前言
• 思考自己需要载入的超参
• 书写代码
• 函数手册

---

前言

在该模块中加载训练好的模型，对测试集的image进行推理。

思考自己需要载入的超参

该模块的书写，是train的简约版，例如你可能需要设置和train相同的batch_size，device，dataloader等信息，但是这次你不需要设置epoch等信息，对模型的参数进行优化等。

书写代码

书写顺序如下：

写argparse()方法收集需要传递的所有参数，传入main函数中（可选）。

main函数中思路如下：

1. 写路径等信息
2. 书写dataloder。设置transforms，dataset，dataloader，batch_size等参数，因为dataloader中要用到。
3. 设置其余超参，如device等，这次你必须要加载train中产生的预训练权重。
4. 对测试集进行推理

下以AlexNet中的inference.py为例：

# add path
import os, sys
root_path = os.path.dirname(os.path.dirname(__file__))
project_path = os.path.dirname(__file__)
sys.path.append(project_path)
# add module
from PIL import Image
from torchvision import transforms
import matplotlib.pyplot as plt
import json
import torch
import numpy as np
from model import AlexNet


def parse_args():
	"""get your args"""
	
def convert_image(image_path:str = ""):
    """transform png to jpg"""

def main():
    # 路径
    root_path       = os.path.dirname(os.path.dirname(__file__))
    project_path    = os.path.dirname(__file__)
    weight_path     = os.path.join(root_path, "weight", "AlexNet_2.pth")
    image_path      = "/home/yingmuzhi/AlexNet/daisy.jpg"
    # 加载预测图片
    img             = None
    data_transform  = transforms.Compose([
        transforms.Resize((224, 224)),
        transforms.ToTensor(),
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
    ])
    img = Image.open(image_path)
    print(np.array(img).shape)
    img = data_transform(img)   # 只接受[height, width, channel=3]的图片, 即RGB的jpg
    img = torch.unsqueeze(img, dim = 0) # 传入网络需要[batch, channel, height, width]
    # 加载json文件
    try:
        json_file = open(project_path + "/class_indices.json","r")
        class_indict = json.load(json_file)
    except Exception as e:
        print(e)
        exit(-1)
    # 测试参数
    net = AlexNet(num_classes=2)
    net.load_state_dict(torch.load(weight_path))
    net.eval()    # 关闭dropout层并且不会梯度回传
    with torch.no_grad():
        # predict class
        output = net(img)
        # print(output.shape)
        output = torch.squeeze(output)
        # print(output.shape)
        predict = torch.softmax(output, dim = 0)
        # print(predict.shape)
        predict_cla = torch.argmax(predict).numpy()
    print(class_indict[str(predict_cla)], predict[predict_cla].item())

if __name__ == "__main__":
	args = parse_args()
    main(args)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63

函数手册