高光谱图像分类结果可视化代码pytorch

以下是使用PyTorch进行高光谱图像分类结果可视化的示例代码：

import torch
import torch.nn as nn
import torchvision.transforms as transforms
from torchvision.utils import make_grid
import matplotlib.pyplot as plt

# 加载模型
model = torch.load('path_to_model.pt')
model.eval()

# 加载数据
test_dataset = YourDataset()  # 自定义测试集
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1, shuffle=False)

# 定义类别标签
classes = ['class1', 'class2', 'class3', ...]

# 可视化分类结果
with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)

        # 可视化原始图像
        img = images[0].numpy().transpose((1, 2, 0))
        plt.imshow(img)
        plt.axis('off')
        plt.title('Original Image')
        plt.show()

        # 可视化分类结果
        img = make_grid(images)
        plt.imshow(img.numpy().transpose((1, 2, 0)))
        plt.axis('off')
        plt.title('Predicted: {}'.format(classes[predicted.item()]))
        plt.show()

上面的代码假设你已经定义了自己的数据集类`YourDataset`，其中包含测试数据和标签。你需要根据自己的数据集进行适当的调整。

首先，加载已经训练好的模型，并将其设置为评估模式 (`model.eval()`)。然后，使用`torch.utils.data.DataLoader`加载测试数据集。

接下来，对测试集中的每个图像进行预测，并使用`torch.max`函数获取预测结果的索引。然后，使用`make_grid`函数将图像转换为一个大的网格，并使用`plt.imshow`函数可视化原始图像和预测结果。

请注意，上述代码中的`path_to_model.pt`应替换为你自己模型的路径，`YourDataset`应替换为你自己的数据集类，`classes`应替换为你自己的类别标签列表。