### 完整的 `test.py` 脚本 以下是基于 Python 编写的完整 `test.py` 脚本来评估已训练模型的性能。此脚本假设使用 PyTorch 框架来加载预训练模型并对测试数据集进行推理。 ```python import torch from torchvision import transforms, models from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder import os # 设置设备为 GPU 或 CPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 加载预训练模型 (此处以 ResNet50 为例) model = models.resnet50(pretrained=False) # 如果有自定义权重，则替换 pretrained 参数 num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, num_classes=10) # 假设分类数为 10 model.load_state_dict(torch.load("path_to_your_model.pth")) # 替换为你自己的模型路径 model.to(device) # 数据转换操作 data_transforms = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 测试数据集路径 test_data_path = r"E:\liulanqi\Pycharm\Apple leaf data\Apple-leaf-datasets\images\test" # 创建测试数据集对象 test_dataset = ImageFolder(root=test_data_path, transform=data_transforms) # 创建数据加载器 batch_size = 32 test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) # 模型评估函数 def evaluate_model(model, test_loader, device): model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = 100 * correct / total print(f'Test Accuracy of the Model on {total} Test Images: {accuracy:.2f}%') evaluate_model(model=model, test_loader=test_loader, device=device) ``` #### 关键说明 上述代码实现了以下几个功能： 1. **设置设备**：自动检测是否有可用的 GPU 并将其作为计算资源[^1]。 2. **加载模型**：通过 `torch.load()` 方法加载本地存储的模型参数，并将模型迁移到指定设备上运行[^2]。 3. **数据处理管道**：利用 `transforms.Compose` 对图像进行标准化、缩放以及张量化处理，确保输入符合模型需求[^3]。 4. **创建数据集与加载器**：通过 `ImageFolder` 和 `DataLoader` 构建测试数据流，支持批量读取和随机打乱[^4]。 5. **模型评估逻辑**：遍历整个测试集，在无梯度模式下完成预测并统计准确率[^5]。 --- ###