0.225]) # 给定均值：(R,G,B) 方差：（R，G，B），将会把Tensor正则化。
# 即：Normalized_image=(image-mean)/std
])
#加载模型
print('load model begin!')
model = torch.load(
'/home/momo/sun.zheng/Recognizing_Image_Style/model_F_l_0.01_SGD_epoch_8.pkl'
)
model.eval()
model = model.to(device)
print('load model done!')
#从数据集中加载测试数据
test_dataset = D.ImageFolder(
root='/home/momo/data2/sun.zheng/flickr_style/test',
transform=data_transform
) # 这里使用自己写的data.py文件，ImageFolder不仅返回图片和标签，还返回图片的路径，方便后续方便保存
#test_dataset = torchvision.datasets.ImageFolder(root='/home/momo/mnt/data2/datum/raw/val2', transform=data_transform)
test_data = DataLoader(test_dataset, batch_size=1, shuffle=True, num_workers=4)
'''
路径/home/momo/data2/sun.zheng/flickr_style/test里面是原始测试集，
路径/home/momo/sun.zheng/Recognizing_Image_Style/test_result_to_other里面批量建立文件夹，每一类数据建立一个文件夹，
文件夹包括right和wrong两个文件夹，分别表示在保存的模型测试下，该类正确分类和错误分类的样本集合，错分文件夹里面是具体错分的类别
'''
count = 0 # 当前类别测试图片个数
for img1, label1, path1 in test_data:
count = count + 1
#img11 = img1.squeeze() # 此处的squeeze()去除size为1的维度，,将(1,3,224,224)的tensor转换为(3,224,224)的tensor
# 转换成形状为[C,H,W]，取值范围是[0,1]的torch.FloadTensor
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]) # 给定均值：(R,G,B) 方差：（R，G，B），将会把Tensor正则化。
# 即：Normalized_image=(image-mean)/std
])
#加载模型
print('load model begin!')
model = torch.load('/home/momo/sun.zheng/pytorch_imagenet/model_f.pkl')
model.eval() # 固定训练模型的batchnorm以及dropout等的参数
model= model.to(device)
print('load model done!')
#从数据集中加载测试数据
test_dataset = D.ImageFolder(root='/home/momo/mnt/data2/datum/raw/val2', transform=data_transform) # 这里使用自己写的data.py文件，ImageFolder不仅返回图片和标签，还返回图片的路径，方便后续方便保存
#test_dataset = torchvision.datasets.ImageFolder(root='/home/momo/mnt/data2/datum/raw/val2', transform=data_transform)
test_data = DataLoader(test_dataset, batch_size=1, shuffle=True, num_workers=4)
'''
路径/home/momo/sun.zheng/pytorch_imagenet/classify_test_data_result/val2里面是原始测试集，
路径/home/momo/sun.zheng/pytorch_imagenet/classify_test_data_result/test_result里面批量建立文件夹，每一类数据建立一个文件夹，
文件夹包括right和wrong两个文件夹，分别表示在保存的模型测试下，该类正确分类和错误分类的样本集合
'''
count = 0 # 当前类别测试图片个数，上限是1450000
for img1, label1, path1 in test_data:
