resnet34 pytorch

### 使用 PyTorch 中 ResNet34 模型的方法

在 PyTorch 中使用 ResNet34 模型可以通过 `torchvision.models` 库轻松完成。此库提供了一个简单接口来加载预训练或未预训练的 ResNet34 模型。

#### 导入必要的包
为了能够创建并操作 ResNet34 模型，首先需要导入一些基本的 Python 和 PyTorch 包：

import torch
from torchvision import models, transforms
from PIL import Image

#### 创建 ResNet34 模型实例
通过调用 `models.resnet34()` 函数可以直接获取到一个 ResNet34 的模型对象。如果希望加载由官方提供的基于 ImageNet 数据集上预先训练好的权重，则可以在函数参数中设置 `pretrained=True` 参数；如果不想要这些预训练权重则设为 False 或者省略该参数即可[^1]。

model = models.resnet34(pretrained=True)

# 将模型切换至评估模式（关闭 dropout 等）
model.eval()

#### 对输入图像进行预处理
为了让图片能被送入神经网络之前做适当调整，通常会应用一系列变换操作，比如缩放大小、裁剪中心区域以及转换成张量形式等。这里给出了一组常用的预处理步骤作为参考：

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]),
])

接着就可以读取一张测试图片，并对其进行上述定义的操作了:

img = Image.open("path_to_image.jpg")  # 替换成实际路径
input_tensor = preprocess(img)
input_batch = input_tensor.unsqueeze(0)  # 增加 batch 维度

#### 执行推理过程
当准备好待预测的数据之后，便可以将其传递给已经准备就绪的 ResNet34 模型来进行前向传播计算得到输出结果。需要注意的是，在 GPU 上运行时还需要将 tensor 移动到相应的设备上去执行运算。

if torch.cuda.is_available():
    device = 'cuda'
else:
    device = 'cpu'

with torch.no_grad():  # 关闭梯度跟踪以节省内存空间
    output = model(input_batch.to(device))
    
probabilities = torch.nn.functional.softmax(output[0], dim=0)
top_prob, top_catid = probabilities.topk(5)
print(top_prob.cpu().numpy())
print(top_catid.cpu().numpy())

这段代码展示了如何利用 PyTorch 及其扩展库快速搭建起一套完整的图像分类流程——从加载预训练模型到最后获得最有可能类别及其对应概率值的过程。