from getdata import DogsVSCatsDataset as DVCD

from network import Net

import torch

from torch.autograd import Variable

import numpy as np

import torch.nn.functional as F

import torch.nn as nn

import matplotlib.pyplot as plt

from PIL import Image

import random

import os

import getdata

dataset_dir = './data/test/' # 数据集路径

model_file = './model/model.pth' # 模型保存路径

N = 10

# # old version

# def test():

#

# model = Net() # 实例化一个网络

# model.cuda() # 送入GPU，利用GPU计算

# model = nn.DataParallel(model)

# model.load_state_dict(torch.load(model_file)) # 加载训练好的模型参数

# model.eval() # 设定为评估模式，即计算过程中不要dropout

#

# datafile = DVCD('test', dataset_dir) # 实例化一个数据集

# print('Dataset loaded! length of train set is {0}'.format(len(datafile)))

#

# index = np.random.randint(0, datafile.data_size, 1)[0] # 获取一个随机数，即随机从数据集中获取一个测试图片

# img = datafile.__getitem__(index) # 获取一个图像

# img = img.unsqueeze(0) # 因为网络的输入是一个4维Tensor，3维数据，1维样本大小，所以直接获取的图像数据需要增加1个维度

# img = Variable(img).cuda() # 将数据放置在PyTorch的Variable节点中，并送入GPU中作为网络计算起点

# print(img)

# out = model(img) # 网路前向计算，输出图片属于猫或狗的概率，第一列维猫的概率，第二列为狗的概率

# out = F.softmax(out, dim=1) # 采用SoftMax方法将输出的2个输出值调整至[0.0, 1.0],两者和为1

# print(out) # 输出该图像属于猫或狗的概率

# if out[0, 0] > out[0, 1]: # 猫的概率大于狗

# print('the image is a cat')

# else: # 猫的概率小于狗

# print('the image is a dog')

#

# img = Image.open(datafile.list_img[index]) # 打开测试的图片

# plt.figure('image') # 利用matplotlib库显示图片

# plt.imshow(img)

# plt.show()

# new version

def test():

plt.show()

if __name__ == '__main__':

test()