import torchimport torch.nn as nn
# 定义简单的全连接神经网络class SimpleNet(nn.Module):def __init__(self):super(SimpleNet, self).__init__()self.fc1 = nn.Linear(784, 128)# 28*28 = 784 输入节点, 128 输出节点self.fc2 = nn.Linear(128, 64)self.fc3 = nn.Linear(64, 2)# 输出10类，对应MNIST的10个数字
def forward(self, x):x = x.view(-1, 784)# flatten the imagex = torch.relu(self.fc1(x))x = torch.relu(self.fc2(x))x = self.fc3(x)return torch.log_softmax(x, dim=1)

# 从model模块导入SimpleNet类from model.simple_nn import SimpleNet# 导入PyTorch库import torch# 设置保存模型参数的文件路径path_state_dict = '3_simple_nn_model.pth'# 创建SimpleNet类的实例，这会初始化模型model = SimpleNet()# 加载保存的模型参数到模型实例model.load_state_dict(torch.load(path_state_dict))# 将模型切换到评估模式，这对于进行预测是必要的，因为它会禁用一些特定于训练阶段的操作，比如Dropoutmodel.eval()# 生成随机输入数据：1个样本，每个样本10个特征input_data = torch.randn(1, 784)# 使用模型进行预测，此时不计算梯度以提高性能和减少内存使用with torch.no_grad():    output = model(input_data)

# 从model模块导入SimpleNet类from model.simple_nn import SimpleNet
# 导入PyTorch库import torch
# 设置保存模型参数的文件路径path_state_dict = '3_simple_nn_model.pth'
# 创建SimpleNet类的实例，这会初始化模型model = SimpleNet()
# 加载保存的模型参数到模型实例model.load_state_dict(torch.load(path_state_dict))
# 将模型切换到评估模式，这对于进行预测是必要的，因为它会禁用一些特定于训练阶段的操作，比如Dropoutmodel.eval()
# 生成随机输入数据：1个样本，每个样本10个特征input_data = torch.randn(1, 784)
# 使用模型进行预测，此时不计算梯度以提高性能和减少内存使用with torch.no_grad():output = model(input_data)

import torchfrom torchvision import transformsfrom model.simple_nn import SimpleNet
class SimpleNet_Predictor:def __init__(self, model_path):"""初始化模型预测器，加载模型并进行热身。:param model_class: 模型类，用于实例化模型:param model_path: 预训练模型的路径，用于加载模型参数"""# 实例化模型self.model = SimpleNet()# 加载模型参数self.model.load_state_dict(torch.load(model_path))# 切换到评估模式self.model.eval()# 定义数据预处理self.transform = transforms.Compose([# 此处为空，可自定义])# 进行模型热身，以确保模型在首次调用时响应迅速self.warmup()
def warmup(self):"""执行一次前向传递以热身模型。"""with torch.no_grad():# 使用一些随机数据进行热身random_input = torch.randn(1, 784)random_input = self.transform(random_input)# 应用转换self.model(random_input)
def __call__(self, input_data):"""使得该类实例可以像函数那样被调用，进行模型预测。:param input_data: 输入数据，应为torch.Tensor格式:return: 模型的输出结果"""with torch.no_grad():input_data = self.transform(input_data)# 应用转换return self.model(input_data)

from utils_AI.simplenet_predictor import SimpleNet_Predictorimport torch
model_path = '3_simple_nn_model.pth'# 假设模型参数已经保存在这个路径predictor = SimpleNet_Predictor(model_path)
# 测试模型预测test_input = torch.randn(1, 784)output = predictor(test_input)print("Model output shape:", output.shape)