python如何调用pytorch已经训练好的模型

### 加载并使用预训练的 PyTorch 模型为了在 Python 中加载并使用预训练的 PyTorch 模型，可以按照以下方法操作： #### 导入必要的库首先需要导入 `torch` 和其他所需的模块来处理图像和模型。 ```python import torch from torchvision import models, transforms from PIL import Image ``` #### 准备输入数据对于大多数预训练网络来说，通常期望输入尺寸为 (224x224)，并且经过标准化处理。因此，在加载图片之后还需要对其进行适当调整。 ```python image_path = "path_to_your_image" input_image = Image.open(image_path) preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) input_tensor = preprocess(input_image) input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model ``` #### 下载预训练模型接下来定义要使用的具体架构，并通过设置参数 `pretrained=True` 来获取官方提供的预训练权重。 ```python model = models.resnet50(pretrained=True).eval() ``` 此处选择了 ResNet-50 架构作为例子[^1]；当然也可以选择其他的如 VGG 或者 MobileNet 等不同类型的卷积神经网络。 #### 执行推理过程最后一步就是将准备好的张量传递给已经加载完毕且处于评估模式下的模型来进行预测。 ```python with torch.no_grad(): output = model(input_batch) probabilities = torch.nn.functional.softmax(output[0], dim=0) top_prob, top_catid = torch.topk(probabilities, 1) print(f"Top prediction is {top_prob.item()} with category id {top_catid.item()}") ``` 这段代码展示了如何读取一张本地存储的照片，将其转换成适合喂入深度学习框架的形式，调用预先训练过的分类器得到输出结果，并打印最高概率对应的类别编号及其置信度得分。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python进行one-shot编码