ADD file via upload

predict_improved_alexnet.py

@@ -0,0 +1,38 @@
+import torch   
+from PIL import Image#从PIL库中导入Image模块，用于处理图像数据
+from torchvision import transforms#用于对图像进行预处理操作
+import json#用于读取和解析JSON格式的文件
+
+# 调用
+def improved_alexnet_predict(imgf,model):
+    #数据预处理
+    data_transform = transforms.Compose(
+        [transforms.Resize((224, 224)),#将图像尺寸统一为224*224
+         #transforms.Grayscale(num_output_channels=3),
+         transforms.ToTensor(),#将图像数据转化为张量，用于训练
+         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])#归一化
+    img = Image.open(imgf)#使用PIL库中的Image模块打开指定路径的图像文件
+    # [N, C, H, W]
+    img = data_transform(img)#调用函数对打开的图像数据进行数据预处理操作
+    # expand batch dimension
+    img = torch.unsqueeze(img, dim=0)#在数据维度上增加一个维度batch，用于模型的输入
+
+    # read class_indict
+    try:
+        json_file = open('./config.json', 'r', encoding='utf-8')
+        class_indict = json.load(json_file)#将标签文件加载到字典中
+        #print(class_indict)
+    except Exception as e:
+        print(e)
+        exit(-1)
+
+    with torch.no_grad():
+        # predict class
+        output = torch.squeeze(model(img))#对输入的图像进行模型推理得到输出
+        predict = torch.softmax(output, dim=0)#对输出进行softmax操作得到预测概率分布
+        predict_cla = torch.argmax(predict).numpy()#找到概率最大的类别作为预测结果的类别，预测结果的类别用numpy数组的形式返回
+    res=class_indict[str(predict_cla)]
+    print(res)#输出结果
+    return res
+
+