知识之窗
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。
2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。
PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。
PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。
回顾
在上周的文章中， 我们学习了整合所有的代码（数据预处理，网络模型，训练代码），然后进行了实际的训练，我们必须知道，神经网络的训练结果小除了知道模型的好坏以及有效性以外，我们还需要考虑将训练好的模型进行实际的测试，也需要后期需要用来部署为应用也说不定，当然不会直接部署，还需呀考虑优化，压缩，剪枝等问题。
一、模型预测
实现步骤：
1.在训练过程中保存模型
2.编写测试代码（数据处理，模型调用，数据测试）
4.输出模型结果，映射为真实标签
1.训练过程中保存模型
代码语言：javascript复制#在训练之前添加
# 产生一个saver来存储训练好的模型
saver = tf.train.Saver()在每训练一个batch后，开始整个验证集的测试（现在一般训练一个epoch后，才进行验证），验证集测试后，如果大于上一次的测试准确率并且大于80%才考虑保存模型，即最终保存最好的模型。
代码语言：javascript复制 if avg_test_acc > pre_test_acc and avg_test_acc > 0.80:
checkpoint_path = os.path.join(logs_checkpoint,
'model.ckpt')
saver.save(sess,2.测试代码
1.数据预处理：
这个地方与训练的时候一样
代码语言：javascript复制# 获取一张图片
def get_one_image(img_dir):
# 输入参数：train,训练图片的路径
# 返回参数：image，从训练图片中随机抽取一张图片
#print("train", train)
#n = len(train)
#ind = np.random.randint(0, n)
#img_dir = train[ind] # 随机选择测试的图片
# img_dir = train
img = Image.open(img_dir)
#plt.imshow(img)
#imag = img.resize([150, 150]) # 由于图片在预处理阶段以及resize，因此该命令可略
imge = tf.image.resize_images(img, (150, 150))
image = tf.reshape(imge, [1, 150, 150, 3])
#image = np.array(imge)
image = image/255
image = tf.cast(image, tf.float32)
return image
2.模型调用
其实就是回复保存模型的参数后导入到现在的网络中，进行测试。
现在的网络只进行前向传播，不进行反向传播。
代码语言：javascript复制saver = tf.train.Saver()
with tf.Session() as sess:
img_array = sess.run(image_array)
print("Reading checkpoints...")
ckpt = tf.train.get_checkpoint_state(logs_train_dir)
if ckpt and ckpt.model_checkpoint_path:
global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
saver.restore(sess, ckpt.model_checkpoint_path)
print('Loading success, global_step is %s' % global_step)
else:3.数据测试
代码语言：javascript复制# 测试图片
def evaluate_one_image(image_array):
global graph
graph = tf.get_default_graph()
with graph.as_default():
BATCH_SIZE = 1
N_CLASSES = 2
#image = tf.cast(image_array, tf.float32)
x = tf.placeholder(tf.float32, shape=[1,150, 150, 3])
logit = model.inference(x, BATCH_SIZE, N_CLASSES,1)
logit = tf.nn.softmax(logit)4.输出结果：
代码语言：javascript复制prediction = sess.run(logit,feed_dict={x: img_array})
max_index = np.argmax(prediction)
# print(max_index)
# 标签映射可以选择字典或者列表
label_dict = {0: 'cat', 1: 'dog'}
label_list = ['cat','dog']
print("模型的输出为{}，对应的真实标签为：{}".format(max_index,label_list[max_index]))全部的测试代码：
实际预测展示
可以看到我们读取的是测试中的dog的图片，随后网络的预测标签是1，当初给dog的标签为1，即映射实际标签为dog，预测正确。
结语
本次分享结束了，算是图像分类项目的一个完整流程的项目，从数据处理到网络搭建，到训练，到调用模型做预测，我们都进行了分享，同时对代码细节进行了注释，相信聪敏的你一定可以看懂，如有疑惑请随时后台哦。
虽然本次项目结束，但我相信，其中或多或少有些地方大家不太理解，不管数据处理还是网络的搭建等等都或许不是那么简单，没关系，下次，小编会针对本次项目中的漏洞进行一个总结，算是图像分类项目的总结篇吧，同时也欢迎各位老铁，多多提问，以促使我们一起进步。
周末愉快，我们下期再见！
编辑：玥怡居士|审核：小圈圈居士
