从预训练模型中加载图像分类模型的代码示例。

在加载预训练模型作为图像分类模型之前，我们需要先安装必要的软件包。常用的深度学习库包括TensorFlow和PyTorch，我们可以根据需求选择其中一个库。以下是TensorFlow和PyTorch两个库的示例代码。

使用TensorFlow加载预训练模型的示例代码如下：

import tensorflow as tf
from tensorflow.keras.applications import ResNet50

# 加载ResNet50模型
model = ResNet50(weights='imagenet')

# 加载图像分类模型
def classify_image(image_path):
    # 读取图像
    image = tf.keras.preprocessing.image.load_img(image_path, target_size=(224, 224))
    # 图像预处理
    image = tf.keras.preprocessing.image.img_to_array(image)
    image = tf.keras.applications.resnet50.preprocess_input(image)
    # 图像分类
    predictions = model.predict(tf.expand_dims(image, axis=0))
    # 返回分类结果
    return tf.keras.applications.resnet50.decode_predictions(predictions, top=3)[0]

# 使用图像分类模型
image_path = 'image.jpg'
predictions = classify_image(image_path)
for prediction in predictions:
    print(f'{prediction[1]}: {prediction[2]*100:.2f}%')

使用PyTorch加载预训练模型的示例代码如下：

import torch
import torchvision.models as models
from torchvision import transforms

# 加载ResNet模型
model = models.resnet50(pretrained=True)

# 加载图像分类模型
def classify_image(image_path):
    # 读取图像
    image = transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
    ])(Image.open(image_path))
    # 图像分类
    with torch.no_grad():
        predictions = model(torch.unsqueeze(image, 0))
    # 返回分类结果
    return predictions

# 使用图像分类模型
image_path = 'image.jpg'
predictions = classify_image(image_path)
top_predictions = torch.topk(predictions, k=3)
for i, idx in enumerate(top_predictions.indices.squeeze()):
    print(f'{i+1}. {imagenet_labels[idx]}: {top_predictions.values.squeeze()[i]*100:.2f}%')

以上代码示例中，我们首先加载了预训练的图像分类模型（这里分别使用了ResNet50），然后定义classify_image()函数来对输入的图像进行分类。在使用函数时，我们需要提供待分类的图像路径。输出结果为图像的分类概率和标签，并按照概率从高到低进行排序。

需要注意的是，TensorFlow和PyTorch的处理输入图像的方式略有不同。在TensorFlow中，我们使用tf.keras.preprocessing来预处理图像；而在PyTorch中，我们使用torchvision.transforms进行图像预处理。