pytorch resnet50加载训练好的模型pridect

以下是使用 PyTorch 加载已经训练好的 ResNet50 模型进行预测的示例代码：

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

# 加载预训练的 ResNet50 模型
model = models.resnet50(pretrained=True)
model.eval()

# 定义预处理函数
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]
    )
])

# 读取待预测的图片并进行预处理
image = Image.open("test.jpg")
image_tensor = preprocess(image)
image_tensor = image_tensor.unsqueeze(0)

# 使用模型进行预测
with torch.no_grad():
    output = model(image_tensor)
    _, predicted = torch.max(output, 1)

# 打印预测结果
print("Predicted class:", predicted.item())

上述代码中，首先使用 `models.resnet50(pretrained=True)` 加载预训练的 ResNet50 模型，并将其设置为评估模式（`model.eval()`）。接着，定义了一个预处理函数 `preprocess`，用于将待预测的图片进行预处理。在读取待预测的图片后，将其传入预处理函数，得到预处理后的图片张量，并使用 `unsqueeze(0)` 将其扩展为一个 batch。最后，使用 `model` 进行预测，并将预测结果的类别打印出来。