怎样编写程序来运行已经完成的pytorch模型

要在 Python 中使用已经完成的 PyTorch 模型，需要按照以下步骤进行操作：

1. 导入所需的库和模型

   import torch
   import torchvision
   from torchvision import transforms
   from PIL import Image

   # 加载模型
   model = torch.load('model.pth')

其中，`torch` 是 PyTorch 库，`torchvision` 是 PyTorch 的图像处理库，`transforms` 是 torchvision 提供的图像转换工具库，`PIL` 是 Python 的图像处理库。`model.pth` 是保存好的模型文件。

2. 准备输入数据

对于模型的输入数据，通常需要进行预处理，以满足模型对数据的要求。具体的预处理方式需要根据模型的要求而定。一般情况下，需要将输入数据转换为 PyTorch 的张量（Tensor）格式，并对数据进行标准化处理。

   # 转换输入图片为 PyTorch 张量
   input_image = Image.open('input_image.jpg')
   preprocess = transforms.Compose([
       transforms.Resize(256),
       transforms.CenterCrop(224),
       transforms.ToTensor(),
       transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
   ])
   input_tensor = preprocess(input_image)
   input_batch = input_tensor.unsqueeze(0)

上面代码中，`preprocess` 是一个由多个图像转换操作组成的转换链，将输入图片进行了大小调整、中心裁剪、张量转换和标准化处理。`input_tensor` 是处理后的输入张量，`input_batch` 是将其转换为批次张量的结果。

3. 进行模型推理

将准备好的输入数据传递给模型进行推理，并获得模型的输出结果。

   # 进行模型推理
   with torch.no_grad():
       output = model(input_batch)
       _, predicted = torch.max(output, 1)
       print(predicted)

上面代码中，`with torch.no_grad()` 表示在推理过程中不进行反向传播，以节省内存和加速计算。`output` 是模型的输出结果，`predicted` 是从输出结果中取出的预测结果。这里使用了 PyTorch 的 `max()` 函数来获取输出结果中概率最高的类别。

完整的程序如下所示：

import torch
import torchvision
from torchvision import transforms
from PIL import Image

# 加载模型
model = torch.load('model.pth')

# 转换输入图片为 PyTorch 张量
input_image = Image.open('input_image.jpg')
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
input_tensor = preprocess(input_image)
input_batch = input_tensor.unsqueeze(0)

# 进行模型推理
with torch.no_grad():
    output = model(input_batch)
    _, predicted = torch.max(output, 1)
    print(predicted)

上面的程序中，`model.pth` 和 `input_image.jpg` 分别是已经保存好的模型文件和输入图片文件，需要根据实际情况进行修改。