如何在桌面上使用python在另一台机器上部署使用fastai制作的.pkl机器学习模型

我已经按照文档和视频介绍了如何创建一个ML模型，该模型可以检测不同的家庭护理产品，如肥皂和除臭剂等。 我现在得到了一个模型，这个模型的错误率应该是0.03。。。 据我所知，这是一个大约97%精确的模型，但我不知道如何在另一台机器上的其他图像上进行预测。我使用文档中所述的“learn.export（'Home\u Care\u Model.pkl'）导出了它，但运气不好

现在在文档中声明我需要再次使用类和训练集等来定义模型，但是现在我在另一台计算机上，所以我没有这些文件，我无法在web上运行它，因为它应该作为python脚本在任何桌面上运行（最终目标）

我要做的是，我有一个包含未排序图像的文件，当我运行模型时，它会根据预测将图像分成两个不同的文件夹

我一直在寻找这个问题的答案，老实说，我不确定我是不是对它理解得不够好，或者是什么，因为我每次尝试让这个模型工作都是空的

这是我的培训代码：

from fastai import *
from fastai.vision import *
%matplotlib inline
%reload_ext autoreload
%autoreload 2
import os


os.environ['KMP_DUPLICATE_LIB_OK']='True'


path = Path('my files path...')
print(path)


for folder in ('soap','deo'): # I have more but it will waist space.
print (folder)
verify_images(path/folder, max_size=500)
np.random.seed(42)


data = ImageDataBunch.from_folder(path, train='.', valid_pct=0.3, ds_tfms=get_transforms(), 
size=224, num_workers=4).normalize(imagenet_stats)


data.classes


from fastai.metrics import error_rate
learn= create_cnn(data, models.resnet34, metrics=error_rate)


learn


defaults.device = torch.device('cuda')
learn.fit_one_cycle(5)


learn.unfreeze()


learn.lr_find()


learn.recorder.plot()


learn.fit_one_cycle(4, max_lr=slice(3e-6,3e-5))


learn.save('day2Test_02')


from fastai.widgets import *


ds, idxs = DatasetFormatter().from_toplosses(learn)


ImageCleaner(ds, idxs, path)


df = pd.read_csv(path/'cleaned.csv', header='infer')
df.head()


df[(df['name'].apply(lambda x: len(x)<5))]


np.random.seed(42)
db =(ImageList.from_df(df,path).random_split_by_pct(0.2).label_from_df().transform(get_transforms(), size= 224).databunch(bs=8)).normalize(imagenet_stats)


data.classes, data.c, len(data.train_ds), len(data.valid_ds)


db.classes, db.c,len(db.train_ds), len(data.valid_ds)


learn.data = db


learn.freeze()

learn.fit_one_cycle(4)


learn.save('day2Test_02_01')


learn.unfreeze()


learn.lr_find()


learn.recorder.plot()


learn.fit_one_cycle(4, max_lr=slice(3e-5,3e-4))


learn.save('dat2Test_test2')


interp = ClassificationInterpretation.from_learner(learn)


interp.plot_confusion_matrix()


learn.export('day2Test_test2.pkl')

来自fastai导入*
来自fastai.vision import*
%matplotlib内联
%重新加载下一个自动加载
%自动加载2
导入操作系统
os.environ['KMP\u DUPLICATE\u LIB\u OK']='True'
path=path（'我的文件路径…'）
打印（路径）
对于（'soap'，'deo'）中的文件夹：#我有更多，但它会占用更多空间。
打印（文件夹）
验证图像（路径/文件夹，最大大小=500）
np.随机种子（42）
data=ImageDataBunch.from_文件夹（路径，序列='），有效的_pct=0.3，ds_tfms=get_transforms（），
size=224，num\u workers=4）。规范化（imagenet\u统计）
数据类
从fastai.metrics导入错误率
学习=创建cnn（数据，models.resnet34，度量=错误率）
学习
defaults.device=torch.device（'cuda'）
学习。适应一个周期（5）
学会解冻
learn.lr_find（）
learn.recorder.plot（）
学习。拟合一个循环（4，最大lr=切片（3e-6,3e-5））
学习。保存（'day2Test\u 02'）
从fastai.widgets导入*
ds，idxs=DatasetFormatter（）。从（学习）
ImageCleaner（ds、idxs、路径）
df=pd.read\u csv（路径/'cleaned.csv'，header='infer'）
df.head（）
df[（df['name']）apply（lambda x:len（x）你能部署模型吗？我面临着同样的问题。没有工作让我感到困扰，我不得不把这个放在次要位置：（你能部署模型吗？我面临着同样的问题。没有工作让我感到困扰，我不得不把这个放在次要位置：(