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