resnet推理代码

ResNet（Residual Network）是一种非常流行的深度学习模型，用于解决图像分类、目标检测等计算机视觉任务。下面是一个简单的ResNet推理代码示例：

import torch
import torch.nn as nn
import torchvision.models as models

# 加载预训练的ResNet模型
resnet = models.resnet50(pretrained=True)
resnet.eval()

# 输入数据预处理
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])
])

# 加载并预处理图像
image = Image.open('image.jpg')
input_tensor = preprocess(image)
input_batch = input_tensor.unsqueeze(0)

# 使用GPU进行推理（如果可用）
if torch.cuda.is_available():
    input_batch = input_batch.to('cuda')
    resnet.to('cuda')

# 进行推理
with torch.no_grad():
    output = resnet(input_batch)

# 输出结果
_, predicted_idx = torch.max(output, 1)
print('Predicted class:', predicted_idx.item())

这段代码使用了PyTorch框架，首先加载了预训练的ResNet-50模型，并将其设置为评估模式（eval）。然后，通过预处理将输入图像转换为模型所需的格式。接下来，将图像输入模型进行推理，并获取输出结果。最后，使用argmax函数找到输出中概率最高的类别，并打印出预测结果。