python vgg16分类模型测试代码

### Python VGG16 图像分类测试代码示例

为了展示如何使用预训练的VGG16模型进行图像分类，下面提供了一个完整的Python代码示例。此代码加载了预训练的VGG16模型，并对其进行了评估。

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

# 加载ImageNet类别标签
with open('imagenet_class_index.json') as f:
    class_idx = json.load(f)
idx2label = [class_idx[str(k)][1] for k in range(len(class_idx))]

# 定义数据转换操作
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]),
])

# 加载预训练的VGG16模型并设置为评估模式
vgg16 = models.vgg16(pretrained=True)
vgg16.eval()

def predict(image_path):
    """预测单张图片"""
    input_image = Image.open(image_path)
    input_tensor = preprocess(input_image)
    input_batch = input_tensor.unsqueeze(0)

    # 使用GPU加速计算（如果可用）
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    vgg16.to(device)
    input_batch = input_batch.to(device)

    with torch.no_grad():
        output = vgg16(input_batch)

    probabilities = torch.nn.functional.softmax(output[0], dim=0)
    
    top5_prob, top5_catid = torch.topk(probabilities, 5)
    results = []
    for i in range(top5_prob.size(0)):
        results.append((top5_prob[i].item(), idx2label[top5_catid[i]]))
        
    return results

image_path = 'example.jpg'
predictions = predict(image_path)
for prob, label in predictions:
    print(f"{label}: {prob:.2%}")

这段代码首先定义了一系列用于处理输入图像的数据变换方法[^1]。接着初始化了一个预训练好的VGG16模型实例，并将其置于评估模式下以禁用dropout等训练特有的行为。`predict()`函数接收一张图片路径作为参数，返回该图片最有可能属于的五个类别的概率及其名称列表。最后部分展示了如何调用这个函数并对结果进行打印输出。