训练完数据集后，如何用pytorch分类测试数据集中的猫狗图片

在训练完数据集后，你需要使用模型加载测试数据集中的猫狗图片进行分类。以下是使用PyTorch进行分类的一般步骤：

1. 加载测试数据集

使用PyTorch的`DataLoader`类可以很容易地加载测试数据集。你需要定义一个转换（transform）函数，将原始测试图像转换为模型的输入格式。然后，你可以使用`DataLoader`类加载测试数据集并设置一些参数（如批处理大小、并发数等）。

import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from dataset import MyDataset

test_transforms = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
])

test_dataset = MyDataset(test_dir, transform=test_transforms)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False, num_workers=4)

2. 加载模型

使用PyTorch的`torch.load()`函数可以很容易地加载训练好的模型。你需要确保模型与测试数据集的图像大小和颜色通道数相同。

import torch

model = torch.load('model.pth')
model.eval()

3. 进行预测并计算准确率

对于每个批次的测试数据，你需要将数据传递给模型进行预测，并计算准确率。你可以使用以下代码来实现：

correct = 0
total = 0

with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print('Accuracy: {:.2f}%'.format(accuracy))

这里，我们遍历测试数据集的每个批次，将图像传递给模型进行预测。然后，我们使用`torch.max()`函数获取预测概率最高的类别，并与实际标签进行比较。最后，我们计算准确率并打印结果。

希望这可以帮助你开始使用PyTorch进行图像分类！