### 使用 PyTorch 进行图片的批量预测 在使用 PyTorch 进行图片的批量预测时，通常需要完成以下几个方面的操作：加载预训练模型、准备测试数据集以及执行前向传播来获取预测结果。以下是详细的说明和示例代码。 #### 加载预训练模型 为了进行图像分类或其他任务的批量预测，可以选择一个已经训练好的模型（例如 ResNet 或 VGG）。这些模型可以从 `torchvision.models` 中导入，并设置为评估模式以禁用 Dropout 和 BatchNorm 的训练行为[^3]。 ```python import torch from torchvision import models, transforms # 加载预训练模型 (ResNet18 为例) model = models.resnet18(pretrained=True) # 设置模型为评估模式 model.eval() ``` #### 数据预处理 对于输入模型的图片，必须按照特定的要求进行标准化和转换。这可以通过 `torchvision.transforms` 实现，包括调整大小、裁剪、转 Tensor 和规范化等步骤[^4]。 ```python # 定义图片变换流程 data_transforms = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 预训练模型的标准输入尺寸通常是 224x224 transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # ImageNet 均值和标准差 ]) # 准备一批图片作为输入 from PIL import Image from torch.utils.data import DataLoader def load_images(image_paths): images = [] for path in image_paths: img = Image.open(path).convert('RGB') img_tensor = data_transforms(img) images.append(img_tensor) return torch.stack(images) # 将多个图片堆叠成一个 batch tensor image_paths = ['path/to/image1.jpg', 'path/to/image2.jpg'] # 替换为实际路径 batch_images = load_images(image_paths) ``` #### 执行批量预测 一旦准备好模型和数据批次，就可以通过简单的前向传递来进行预测。注意，如果设备支持 GPU，则应将模型和数据移动到 CUDA 上加速计算[^5]。 ```python device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 移动模型和数据至指定设备 model.to(device) batch_images = batch_images.to(device) # 获取预测结果 with torch.no_grad(): # 关闭梯度计算以节省内存 outputs = model(batch_images) # 输出概率分布并找到最大值对应的类别索引 _, predicted_classes = torch.max(outputs, 1) print(predicted_classes.cpu().numpy()) # 显示每张图片的预测标签 ``` 以上代码展示了如何利用 PyTorch 对一组图片进行批量预测的过程。具体来说，它涵盖了从加载预训练模型到定义数据预处理管道再到最终推理的核心逻辑。 ---