最近，在用resnet模型进行图像分类的时候，出现了个问题。就是在test时候，准确率能达到93，单单张图片预测的时候，结果几乎没有正确的。

        最开始以为模型训练的时候的问题，因为我想要最大概率的结果，而训练的时候是各类标签的概率，所以还需要加一个torch.softmax()。

        可我后来又发现，那为什么在test数据集上的准确率却很高。应该是一张图片预测的函数里出现的问题。开始排查是不是标签与类别名没有对应上，通过多次试验，不管什么图片几乎都是那一种类别，且概率都是100%。

        最后，在一个学长的帮助下，发现因为前面训练集和测试集都使用transform对图片进行处理，而单张图片是使用cv2进行处理，但是通过测试还没有解决问题。

        终于，我们发现在加载完模型权重后没有用model.eval()对模型中的batch_Normalization

和dropout进行停用，导致模型在预测的时候对一些权重丢弃，并且对数据进行了归一化，使得预测结果大幅度偏于某一种类。 

        总结，在预测时，对图片的处理一定与前面训练集保持一致，并且别忘了model.eval()这个函数。