### 使用Python对训练好的模型进行推理和结果验证 #### 准备工作 为了确保能够顺利地完成模型的推理和结果验证，需要准备以下几个部分： - **环境搭建**：安装必要的库如PyTorch、ONNX Runtime等。可以通过pip命令来快速安装这些依赖项[^1]。 ```bash pip install torch torchvision onnxruntime ``` - **加载预训练模型**：这里以ResNet34为例说明如何加载已经训练好的模型并设置其为评估模式。这一步骤对于任何类型的深度学习框架都是通用的做法。 ```python import torch from torchvision import models, transforms model = models.resnet34(pretrained=False) model.load_state_dict(torch.load('path_to_resnet34_weights.pth')) model.eval() ``` #### 数据预处理 在执行预测之前，输入图像通常需要经过一系列标准化操作才能被送入到神经网络中去。这部分涉及到尺寸调整、归一化等一系列变换。 ```python preprocess = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) ``` #### 执行推理 一旦完成了上述准备工作之后就可以开始实际的推断过程了。通过调用`forward()`函数或者直接传递tensor给模型实例即可得到输出结果。需要注意的是，在某些情况下可能还需要额外的应用softmax层以便获得概率分布形式的结果。 ```python input_tensor = preprocess(image).unsqueeze(0) # Add batch dimension output = model(input_tensor) probabilities = torch.nn.functional.softmax(output[0], dim=0) topk_prob, topk_classes = probabilities.topk(k=5, largest=True, sorted=True) print(f'Top {len(topk_classes)} classes and their corresponding probabilities:') for i in range(len(topk_classes)): print(f'Class index: {topk_classes[i].item()}, Probability: {topk_prob[i].item()}') ``` #### 结果验证 最后要做的就是对比预期标签与预测类别之间的差异情况从而判断整个系统的准确性。可以计算一些常见的性能指标比如准确度(Accuracy)、精确率(Precision)、召回率(Recall)以及F1分数等等。 ```python correct_predictions = (predicted_labels == true_labels).sum().float() / len(true_labels) accuracy = correct_predictions.item() precision = ... recall = ... f1_score = ... print(f'Accuracy of the network on test images is {accuracy:.2%}') ```