CNN模型混淆矩阵可视化：Epoch 68

import torch
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from models import CNN  # 确保你已经导入了CNN模型的定义
from mydataset import MyDataset  # 确保你已经导入了MyDataset的定义
from torch.utils.data import DataLoader
import torch.nn as nn

# 加载模型
model = torch.load('./modelpth/68.pth')

# 定义测试数据集和损失函数
test_dataset = MyDataset(args.root2, args.txtpath2, transform=None)  # 使用你实际的路径和参数
# 确保你的MyDataset和DataLoader的定义与代码中一致
test_loader = DataLoader(dataset=test_dataset, batch_size=args.batch_size, shuffle=True, num_workers=0)
criterion = nn.CrossEntropyLoss()

# 进行模型测试
model.eval()
# 确保你的test函数与代码中一致
accuracy, _, _, C = test(model, test_loader, criterion)

# 绘制混淆矩阵图
fig = plt.figure()
ax = fig.add_subplot(111)
df = pd.DataFrame(C)
sns.heatmap(df, fmt='g', annot=True, annot_kws={'size': 10}, xticklabels=['1', '2', '3', '4', '5', '6'], yticklabels=['1', '2', '3', '4', '5', '6'], cmap='Blues')
ax.set_xlabel('Predicted label')
ax.set_ylabel('True label')
plt.savefig('confusion_matrix_epoch_68.jpg')
plt.show()

解释：

1. 导入库： 导入必要的库，包括torch用于模型操作，matplotlib.pyplot用于绘制图形，pandas用于处理DataFrame，seaborn用于创建热力图，以及你定义的CNN模型和MyDataset类。
2. 加载模型： 使用torch.load加载训练好的模型文件，这里是./modelpth/68.pth。
3. 定义测试数据集和损失函数： 定义测试数据集test_dataset，它应该包含测试数据，以及相应的DataLoader用于批次处理数据。此外，定义损失函数criterion。
4. 模型测试： 使用test函数进行模型测试，并获取混淆矩阵C。
5. 绘制混淆矩阵图： 使用seaborn的heatmap函数绘制混淆矩阵图，并使用plt.savefig保存图片。

注意：

• 确保你已经定义了CNN模型、MyDataset类和test函数，并根据你的具体情况调整代码中的参数，例如文件路径、数据集路径、批次大小等。
• 如果你没有定义CNN模型或MyDataset类，你需要根据你的项目需求进行定义。
• 你还可以根据需要修改绘图参数，例如颜色、标签等。