oodCls.py 中定义了一个 Oodcls 类，封装了一个基于 PyTorch 的分类模型，对 mnist 数据集中的图像，可以正确识别所代表的数字(0-9)；同时，对于非数字的图像，识别为OOD类(10)。
在使用 OodCls 进行分类预测之前，需要将训练好的模型加载到类中。可以使用以下代码进行模型初始化和加载。
from oodcls import OodCls
ood_cls = OodCls()要使用 OodCls 进行分类预测，需要将输入数据传递给接口函数 classify 。该函数的参数是一个 n*1*28*28 的tensor（n是batch的大小，每个 1*28*28 的tensor表示的数字图像），输出是整数型n维tensor（n是batch的大小，每个整数在0~10范围内，代表分类结果）。
# 进行预测，结果保存在n维tensor里
preds = ood_classifier.classify(imgs)在以下示例中，我们将使用 OodCls 类对一组随机数据进行分类预测。
from oodcls import OodCls
# 初始化 OodCls 类
ood_cls = OodCls()
# 准备输入数据imgs
......
# 如果数据在GPU里，则需要将数据加入CPU里
imgs = torch.tensor([item.cpu().detach().numpy() for item in imgs]).cuda()
# 进行预测
preds = ood_classifier.classify(imgs)
print("Predict Label is:", [i.item() for i in preds.data])
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent