基于已训练好的CIFAR模型.pth文件将500张32*32像素的图片进行识别并将图片和标签组成键值对保存的代码

以下是一个基于PyTorch框架和已训练好的CIFAR-10模型.pth文件对500张32x32像素的图片进行分类并保存键值对的示例代码：

import torch
import torchvision
import torchvision.transforms as transforms
import numpy as np
import os

# 定义类别标签
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

# 加载CIFAR-10数据集
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=500,
                                         shuffle=False, num_workers=2)

# 加载已训练好的模型
model = torch.load('cifar_model.pth')

# 预测图片分类并保存键值对
images, labels = iter(testloader).next()
predictions = model(images)
_, predicted = torch.max(predictions.data, 1)

if not os.path.exists('image_labels'):
    os.makedirs('image_labels')

for i in range(len(images)):
    image_name = f"image_{i}.png"
    image_label = class_names[labels[i]]
    prediction_label = class_names[predicted[i]]
    txt_file = open(f"image_labels/{image_name}.txt", "w")
    txt_file.write(f"Image: {image_name}\n")
    txt_file.write(f"True Label: {image_label}\n")
    txt_file.write(f"Predicted Label: {prediction_label}\n")
    txt_file.close()

代码中加载了已训练好的CIFAR-10模型.pth文件，并使用模型对500张测试图片进行分类预测，最终将图片名、真实标签和预测标签保存在文件夹`image_labels`中的txt文件中。注意，需要先将已训练好的模型保存为`.pth`文件。