如何在pytorch中测试一个图像

Question

我在pytorch中创建了我的模型，并且工作得非常好，但是当我只想测试一个图像时batch_size=1总是返回第二个类（在本例中是一只狗）

我尝试使用批处理进行测试>；1在所有情况下，这都有效

架构：

model = models.densenet121(pretrained=True)

for param in model.parameters():
param.requires_grad = False
from collections import OrderedDict
classifier = nn.Sequential(OrderedDict([
                          ('fc1', nn.Linear(1024, 500)),
                          ('relu', nn.ReLU()),
                          ('fc2', nn.Linear(500, 2)),
                          ('output', nn.LogSoftmax(dim=1))
                          ]))

model.classifier = classifier

所以我的张量是[batch，3224，224]

我试过：

resize
reshape
unsqueeze(0)

当是一个图像时，响应总是[[0.4741,0.5259]]

我的测试代码

from PIL import *
msize = 256
loader = transforms.Compose([transforms.Scale(imsize), transforms.ToTensor()])

def image_loader(image_name):
    """load image, returns cuda tensor"""
    image = Image.open(image_name)
    image = loader(image).float()
    image = image.unsqueeze(0) 
    return image.cuda()
image = image_loader('Cat_Dog_data/test/cat/cat.16.jpg') 
with torch.no_grad():
    logits = model.forward(image)
ps = torch.exp(logits)
_, predTest = torch.max(ps,1)
print(ps) ## same value in all cases
imagen_mostrar = images[ii].to('cpu') 
helper.imshow(imagen_mostrar,title=clas_perro_gato(predTest), normalize=True)

第二个测试代码

andrea_data = datasets.ImageFolder(data_dir + '/andrea', transform=test_transforms)
andrealoader = torch.utils.data.DataLoader(andrea_data, batch_size=1, shuffle=True)
dataiter = iter(andrealoader)
images, labels = dataiter.next()
images, labels = images.to(device), labels.to(device)
ps = torch.exp(model.forward(images))
_, predTest = torch.max(ps,1) 
print(ps.float())

例如，如果我将批次大小更改为1，则始终返回一个张量，表示这是一只狗[0.43,0.57]

谢谢

Answer 1

如果你的模型是“正确的”，它只是预测一只狗，你可以得到带有torch.argmax(output, dim=1)的标签，不管batch的大小

无论如何，你不应该使用LogSoftmax作为激活，请使用^{}作为你的损失函数，从你的最后一层移除激活，只输出一个神经元（图像仅为狗的概率）。在您的案例中，它看起来是这样的：

classifier = nn.Sequential(
    OrderedDict(
        [
            ("fc1", nn.Linear(1024, 500)),
            ("relu", nn.ReLU()),
            ("fc2", nn.Linear(500, 1)),
            # See? No activation needed
        ]
    )
)

只需运行output > 0即可使用上述网络选择正确的标签，并“免费”获得数值稳定性

Answer 2

我意识到我的模型没有处于eval模式

所以我刚刚添加了model.eval（），现在就这些，适用于任何大小的批次