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: