使用EfficientNet pth模型进行图像分类的pytorch

以下是使用EfficientNet pth模型进行图像分类的PyTorch代码示例：

import torch
import torchvision.transforms as transforms
from efficientnet_pytorch import EfficientNet

# 加载预训练模型
model = EfficientNet.from_name('efficientnet-b0')
model_weights_path = 'path/to/model.pth'
model.load_state_dict(torch.load(model_weights_path))

# 加载图像并进行预处理
img_path = 'path/to/image.jpg'
img_size = 224
transform = transforms.Compose([
    transforms.Resize((img_size, img_size)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
img = transform(Image.open(img_path).convert('RGB'))
img = img.unsqueeze(0)

# 进行预测
model.eval()
with torch.no_grad():
    preds = model(img)

在上面的示例中，我们首先使用`EfficientNet.from_name`函数加载预训练模型。然后，我们加载保存在.pth文件中的权重，并使用`model.load_state_dict`函数将其加载到模型中。接下来，我们加载要进行分类的图像，并使用`torchvision.transforms`模块中的函数对其进行预处理，使其与EfficientNet模型兼容。最后，我们使用模型进行预测，并得到一个包含分类概率的张量。请注意，在进行预测之前，我们使用`model.eval()`将模型设置为评估模式，并使用`torch.no_grad()`上下文管理器以减少内存使用。