使用torch7模型测试单个图像

我根据此链接here训练了我的模型。当我训练它时，它的准确率几乎达到了90％。我正在使用您在链接中找到的vgg_bn_drop.lua模型。但问题是，我不知道如何测试单个图像。

我知道如何测试模型。通过网络向前传递图像。

因此，测试模型将需要modelname:forward（image）。其中“modelname”是我训练的模型的名称，“forward”用于向前推进模型，“image”是我想要转发的图像位置。现在，我无法确定此网络中单个图像的维度。

所以， 我想做的是，拿一个图像。假设图像的尺寸为[3 x 32 x 32]。通过网络并获得结果。这个网络是否可行？

那里没有文档说明如何测试单个图像。

我尝试过的是，

1） 声明一个大小为（3x32x32）的张量。让我们称之为图像。`image = torch.Tensor（3x32x32）`。 向前传递此。

model:forward(image)

它会产生错误...h/install/share/lua/5.1/nn/SpatialBatchNormalization.lua:68: only mini-batch supported (4D tensor), got 3D tensor instead

2）我将图像重塑为（1,3,32,32）

image = image:reshape(1,3,32,32) 向前传递这个

model:forward(image)

它产生错误 ...ch/torch/install/share/lua/5.1/nn/BatchNormalization.lua:67: only mini-batch supported (2D tensor), got 1D tensor instead

所以我尝试了一些方法。但无法弄清楚如何将单个图像传递到该网络。你能帮我吗？

模型定义是

require 'nn'

local vgg = nn.Sequential()
——构建模块
local function ConvBNReLU（nInputPlane，nOutputPlane）
 vgg:add（nn.SpatialConvolution（nInputPlane，nOutputPlane，3,3，1,1，1,1））
 vgg:add（nn.SpatialBatchNormalization（nOutputPlane，1e-3））
 vgg:add（nn.ReLU（true））
 return vgg
end
——将使用”ceil“ MaxPooling，因为我们希望尽可能保存更多的特征空间
local MaxPooling = nn.SpatialMaxPooling

ConvBNReLU（3,64）：add（nn.Dropout（0.3））
ConvBNReLU（64,64）
vgg:add（MaxPooling（2,2,2,2）：ceil（））
ConvBNReLU（64,128）：add（nn.Dropout（0.4））
ConvBNReLU（128,128）
vgg：add（MaxPooling（2,2,2,2）：ceil（））
ConvBNReLU（128,256）：add（nn.Dropout（0.4））
ConvBNReLU（256,256）：add（nn.Dropout（0.4））
ConvBNReLU（256,256）
vgg:add（MaxPooling（2,2,2,2）：ceil（））
ConvBNReLU（256,512）：add（nn.Dropout（0.4））
ConvBNReLU（512,512）：add（nn.Dropout（ 0.4））
ConvBNReLU（512,512）
vgg:add（MaxPooling（2,2,2,2）：ceil（））
ConvBNReLU（512,512）：add（nn.Dropout（0.4））
ConvBNReLU（512,512）：add（nn.Dropout（0.4））
ConvBNReLU（512,512）
vgg：add（MaxPooling（2,2,2,2）：ceil（））
vgg:add（nn.View（512））
vgg:add（nn.Dropout（0.5））
vgg:add（nn.Linear（512,512））
vgg：add（nn.BatchNormalization（512））
vgg:add（nn.ReLU（true））
vgg:add（nn.Dropout（0.5））
vgg:add（nn.Linear（512,10））

——初始化自MSR
本地函数MSRinit（net）
局部函数init（名称）
 for k，v in pairs（net：findModules（name）） do
 local n = v.kW * v.kH * v.nOutputPlane
 v.weight：正常（0，math.sqrt(2 / n)）
 v.bias：zero（）
 end
 end
 init'nn.SpatialConvolution'
end

MSRinit（vgg）
return vgg