上次说了模型训练的示例，这次把预测部分也实现下，本文预测方法会提供两种，一种是针对单样本的预测，一种是使用dataset实现样本集的预测，先来看下要要预测的文件信息。
列信息分别是：当前图片，其它图片，标签（0=同一人，1=不同人）
先看下单样本预测代码：
逻辑就是：遍历文件，每次对当前样本的两张图片先进行图像处理，再通过模型输出特征，最后计算欧式距离，距离越小说明越相似。要注意的就是图像处理要与模型训练时保持一致。
看一下测试集预测距离的排序结果：
从排序结果来看，前几个距离最小的都是同一人，说明模型效果还是很好的，从整个测试集来看，6个测试人物首位均命中，top1命中率100%。
我们再来看下使用dataset进行预测的代码：
这个就要先使用dataset，dataloader进行数据的加载，然后每次迭代获取batch_size个样本进行批量预测，准确率跟上面的一致，这里就不多说了，这里重点说下两种方法的性能对比。
从性能来看，批量预测是单样本预测的10倍速，所以预测样本多的话尽量使用批量预测方式进行处理。
以上就是预测的两种方式，上面的示例都是基于CPU的运行速度，如果有GPU的话可以开启GPU加速，性能会更好。
本节内容就这些，想下载源码的可以微信公众号《桔子的算法之路》回复：孪生网络模型训练
