阅读量:0
在Torch中加载和使用预训练模型通常通过使用torchvision.models模块来实现。以下是一个简单的示例，演示如何加载预训练的ResNet模型并使用它对图像进行预测：
import torch import torchvision.models as models import torchvision.transforms as transforms from PIL import Image # 加载预训练的ResNet模型 model = models.resnet18(pretrained=True) model.eval() # 定义图片预处理步骤 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]), ]) # 加载并预处理图像 img = Image.open('image.jpg') img = transform(img).unsqueeze(0) # 使用模型进行预测 output = model(img) # 获取预测结果 _, predicted = torch.max(output, 1) print('Predicted class:', predicted.item()) 在上面的示例中，我们首先加载了预训练的ResNet模型，并将其设置为评估模式。然后定义了图像预处理步骤，并加载并预处理了一个示例图像。最后，我们使用模型对图像进行预测，并输出预测结果。
请注意，这只是一个简单的示例，实际应用中可能会有更复杂的预处理步骤和模型的使用方式，具体取决于你的应用场景和需求。
