利用已经训练好的模型，给它提供输入
**代码：
一、准备验证数据：
例如：准备一张图片
1、复制图片，粘贴到项目目录的test_img文件夹下
2、通过path来打开图片，生成图像对象
3、各种转换：
convert("RGB")：仅保留RGB三通道
Resize：调像素大小（W、H）
ToTensor：变成张量 reshape：调整张量的形状（变成四维）
img_path="./test_img/img.png"
image=Image.open(img_path)image=image.convert("RGB") #png格式是四通道（RGB+透明度），此操作可只保留RGB三通道，防止可能出现的错误trans=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)), #先要Resize，才能使用reshapetorchvision.transforms.ToTensor()
])
image=trans(image)image=torch.reshape(image,(1,3,32,32)) #要添加batch_size
print(image.shape) #torch.Size([3, 32, 32])
二、引入网络模型：
torch.save(xigua1, f"better_model_gpu{i + 1}.pth")
如果以这种方式保存网络模型，则这样加载：
from model import *
xigua2=torch.load("better_model_gpu20.pth",map_location=torch.device('cpu'))
# print(xigua2)注意：要引入定义模型类的文件（import时不写.py，只写文件名就可以了）
可以在colab网站上使用GPU训练后，把模型文件下载下来
（从gpu到cpu，要写map_location=torch.device("gpu")）
三、验证：
记得写上
.eval()
with torch.no_grad():
xigua2.eval()
with torch.no_grad(): #不计算梯度，节约内存、使性能更好output=xigua2(image)
print(output) #tensor([[ -2.9265, -10.1790, 0.7105, 5.0713, 2.9425, 7.8542, 3.6901, 2.0290, -4.0338, -5.6903]])
print(output.argmax(1)) #tensor([5])test_set=torchvision.datasets.CIFAR10(root="../dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)
print(test_set.classes) #['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
