基于已训练好的CIFAR模型.pth文件将500张32*32像素的图片进行识别并将图片和标签组成键值对保存成torch.tensor格式的代码

好的，以下是基于已训练好的CIFAR模型.pth文件将500张32*32像素的图片进行识别并将图片和标签组成键值对保存成torch.tensor格式的代码：

import torch
import torchvision.transforms as transforms
from PIL import Image
import os

# 加载已训练好的模型
model = torch.load('cifar_model.pth')

# 定义数据转换
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载测试图片并进行预测
data_dir = 'test_images'
file_list = os.listdir(data_dir)
results = {}

for file_name in file_list:
    file_path = os.path.join(data_dir, file_name)
    image = Image.open(file_path).convert('RGB')
    image_tensor = transform(image).unsqueeze(0)
    output = model(image_tensor)
    _, predicted = torch.max(output, 1)
    results[file_name] = predicted.item()

# 将结果保存为torch.tensor格式
results_tensor = torch.tensor(list(results.items()))

# 打印结果
print(results_tensor)

这段代码中，我们首先加载了已训练好的模型，并定义了数据转换。然后，我们遍历了包含500张测试图片的文件夹，对每张图片进行预测，将图片名和预测标签组成键值对保存到results字典中。最后，我们将结果转化为torch.tensor格式，并打印输出。