### 加载并使用 PyTorch 中训练好的 CycleGAN 模型 为了在 PyTorch 中加载并使用已经训练好的 CycleGAN 模型进行推理，可以按照以下方法操作。这涉及模型的定义、权重加载以及数据预处理等多个方面。 #### 1. 定义模型结构 首先需要重新定义与训练过程中一致的 CycleGAN 模型架构。通常情况下，CycleGAN 的实现会提供两个生成器 \(G_A\) 和 \(G_B\) 用于跨域转换，以及两个判别器 \(D_A\) 和 \(D_B\) 来评估生成图像的真实性。如果仅需进行推理，则只需加载生成器部分即可。 ```python import torch from collections import OrderedDict class Generator(nn.Module): def __init__(self, input_nc=3, output_nc=3, ngf=64, n_blocks=9): super(Generator, self).__init__() model = [] # 添加网络层... self.model = nn.Sequential(*model) def forward(self, x): return self.model(x) ``` 此代码片段展示了一个简化版的生成器类定义[^3]。实际项目中可能还需要引入其他依赖库或者调整参数配置以匹配原始训练环境设置。 #### 2. 加载已保存的模型权重 接着通过 `torch.load()` 函数读取之前存储下来的 .pth 文件中的状态字典，并将其映射回对应的模型实例上。 ```python device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 初始化生成器A->B (假设只关心单向变换) netG_A2B = Generator().to(device) state_dict = torch.load("path_to_your_model.pth", map_location=device) if isinstance(state_dict, OrderedDict): netG_A2B.load_state_dict(state_dict) else: netG_A2B.load_state_dict(state_dict['netG_A2B']) netG_A2B.eval(); # 设置为evaluation模式 ``` 上述脚本展示了如何正确地从磁盘恢复先前训练完毕后的生成器 A 到 B 转化关系下的神经网络权值表征形式[^4]。注意这里特别强调了当存在多组不同组件（比如还有另一个方向上的生成器以及其他辅助模块）时应选取恰当的部分加以赋值；另外也考虑到了设备兼容性问题——即无论是在 CPU 还是 GPU 上运行都能顺利导入相应资料档案。 #### 3. 数据准备与标准化处理 对于待预测样本而言，在送入网络计算之前往往要经历一系列必要的前期准备工作，包括但不限于尺寸裁剪/填充至固定大小、色彩空间转换以及像素级归一化等步骤： ```python from torchvision.transforms.functional import to_tensor, normalize def preprocess_image(image_path): image = Image.open(image_path).convert('RGB') resized_img = resize(image, size=(256, 256)) # 统一分辨率 tensor_img = to_tensor(resized_img) # PIL -> Tensor mean = [0.5]*3; std=[0.5]*3 # 自定义均值方差 normalized_tensor = normalize(tensor_img, mean, std) batched_input = normalized_tensor.unsqueeze_(dim=0)# 增加批次维度[B,C,H,W] return batched_input.to(device) ``` 该函数接收一张图片路径作为输入源，经过若干次变换之后返回适配于目标框架需求的标准格式张量对象[^5]。其中包含了常见的几个关键环节：首先是确保所有测试素材具备相同的物理尺度特性以便统一管理；其次是依据具体应用场景设定合适的颜色通道分布规律从而提升最终效果表现力；最后则是将单独个体封装成为批量集合形态方便后续高效运算流程展开实施。 #### 4. 执行前馈传播获得结果 一旦完成了以上各项预备工作以后，便可以直接调用构建起来的生成器来进行实时推断活动啦！ ```python with torch.no_grad(): # 关闭梯度追踪提高效率 fake_B = netG_A2B(real_A) # 输入真实A领域样例得到伪造B输出 fake_B_np = fake_B.squeeze(dim=0).permute((1,2,0)).detach().cpu().numpy() plt.imshow(((fake_B_np * 0.5 + 0.5)*255).astype(np.uint8)) plt.show(); ``` 在这里我们采用上下文管理机制关闭自动求导功能来减少不必要的内存消耗同时加快速度响应时间[^6]。随后便是简单的函数呼叫动作而已，不过值得注意的是由于PyTorch默认返回的数据类型并不适合直接可视化呈现出来所以还需额外做一些转化处置才行哦～ ---