GoogLeNet pytorch图像分类

在PyTorch中，可以使用预训练的GoogLeNet模型进行图像分类。PyTorch提供`torchvision.models`模块，其中包含了多种预训练的模型，包括GoogLeNet（也称为Inception v1）。

以下是一个示例代码，展示如何使用预训练的GoogLeNet模型进行图像分类：

import torch
import torch.nn as nn
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image

# 加载预训练的GoogLeNet模型
model = models.googlenet(pretrained=True)

# 设置模型为评估模式
model.eval()

# 加载并预处理图像
transform = 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])
])

# 加载测试图像
image = Image.open("test_image.jpg")
image = transform(image).unsqueeze(0)  # 添加一个维度作为批处理维度

# 使用模型进行预测
with torch.no_grad():
    outputs = model(image)

# 获取预测结果
_, predicted = torch.max(outputs, 1)
print("预测结果:", predicted.item())

在上述示例中，我们首先使用`models.googlenet(pretrained=True)`加载了预训练的GoogLeNet模型，并将其设置为评估模式。然后我们对要进行分类的图像进行预处理，包括调整大小、中心裁剪、转换为张量和归一化。接下来，我们加载测试图像并应用预处理操作。最后，我们使用模型进行推理，并找到输出中的最大值，以获得预测结果。

请注意，在使用预训练的模型时，需要根据模型的预处理要求对图像进行相应的处理。在上述示例中，我们使用了ImageNet数据集的均值和标准差进行归一化。

另外，您需要将`test_image.jpg`替换为您自己的测试图像文件路径。