Python 如何使用PyTorch模型进行预测？

我创建了一个pyTorch模型来对图像进行分类。 我通过state_dict和整个模型保存了一次，如下所示：

torch.save(model.state_dict(), "model1_statedict")
torch.save(model, "model1_complete")

我如何使用这些模型？ 我想用一些图片检查一下，看它们是否好

我正在为模型加载以下内容：

model = torch.load(path_model)
model.eval()

---

这工作正常，但我不知道如何使用它来预测新图片。

pytorch模型是一个函数。您为它提供了适当定义的输入，它将返回一个输出。如果您只想目视检查给定特定输入图像的输出，只需将其称为：

model.eval（）
输出=模型（示例\图像）

网络是VGG-19，参考我的源代码

像这样的架构：

class VGG(object):
    def __init__(self):
    ...


    def train(self, train_images, valid_images):
        train_dataset = torch.utils.data.Dataset(train_images)
        valid_dataset = torch.utils.data.Dataset(valid_images)

        trainloader = torch.utils.data.DataLoader(train_dataset)
        validloader = torch.utils.data.DataLoader(valid_dataset)

        self.optimizer = Adam(...)
        self.criterion = CrossEntropyLoss(...)
    
        for epoch in range(0, epochs):
            ...
            self.evaluate(validloader, model=self, criterion=self.criterion)
    ...

    def evaluate(self, dataloader, model, criterion):
        model.eval()
        for i, sample in enumerate(dataloader):
    ...

    def predict(self, test_images):
    
    ...

if __name__ == "__main__":
    network = VGG()
    trainset, validset = get_dataset()    # abstract function for showing
    testset = get_test_dataset()
    
    network.train(trainset, validset)

    result = network.predict(testset)

---

我编辑了你的问题，因为这里不允许询问资源，例如教程。好的，对不起，我不知道，谢谢编辑

class VGG(object):
    def __init__(self):
    ...


    def train(self, train_images, valid_images):
        train_dataset = torch.utils.data.Dataset(train_images)
        valid_dataset = torch.utils.data.Dataset(valid_images)

        trainloader = torch.utils.data.DataLoader(train_dataset)
        validloader = torch.utils.data.DataLoader(valid_dataset)

        self.optimizer = Adam(...)
        self.criterion = CrossEntropyLoss(...)
    
        for epoch in range(0, epochs):
            ...
            self.evaluate(validloader, model=self, criterion=self.criterion)
    ...

    def evaluate(self, dataloader, model, criterion):
        model.eval()
        for i, sample in enumerate(dataloader):
    ...

    def predict(self, test_images):
    
    ...

if __name__ == "__main__":
    network = VGG()
    trainset, validset = get_dataset()    # abstract function for showing
    testset = get_test_dataset()
    
    network.train(trainset, validset)

    result = network.predict(testset)