TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片_Python

TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片

2021-06-06 00:36双斜杠少年 Python

今天小编就为大家分享一篇关于TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧

本文是Python通过TensorFlow卷积神经网络实现猫狗识别的姊妹篇，是加载上一篇训练好的模型，进行猫狗识别

本文逻辑：

我从网上下载了十几张猫和狗的图片，用于检验我们训练好的模型。
处理我们下载的图片
加载模型
将图片输入模型进行检验

代码如下：

				?

									#coding=utf-8 

									import tensorflow as tf 

									from PIL import Image 

									import matplotlib.pyplot as plt

									import input_data 

									import numpy as np

									import model

									import os 

									#从指定目录中选取一张图片 

									def get_one_image(train): 

									  files = os.listdir(train)

									  n = len(files)

									  ind = np.random.randint(0,n)

									  img_dir = os.path.join(train,files[ind]) 

									  image = Image.open(img_dir) 

									  plt.imshow(image)

									  plt.show()

									  image = image.resize([208, 208]) 

									  image = np.array(image)

									  return image 

									def evaluate_one_image(): 

									 #存放的是我从百度下载的猫狗图片路径

									  train = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/'

									  image_array = get_one_image(train) 

									  with tf.Graph().as_default(): 

									    BATCH_SIZE = 1 # 因为只读取一副图片 所以batch 设置为1

									    N_CLASSES = 2 # 2个输出神经元，［1，0］ 或者 ［0，1］猫和狗的概率

									    # 转化图片格式

									    image = tf.cast(image_array, tf.float32) 

									    # 图片标准化

									    image = tf.image.per_image_standardization(image)

									    # 图片原来是三维的 [208, 208, 3] 重新定义图片形状 改为一个4D 四维的 tensor

									    image = tf.reshape(image, [1, 208, 208, 3]) 

									    logit = model.inference(image, BATCH_SIZE, N_CLASSES) 

									    # 因为 inference 的返回没有用激活函数，所以在这里对结果用softmax 激活

									    logit = tf.nn.softmax(logit) 

									    # 用最原始的输入数据的方式向模型输入数据 placeholder

									    x = tf.placeholder(tf.float32, shape=[208, 208, 3]) 

									    # 我门存放模型的路径

									    logs_train_dir = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/saveNet/'

									    # 定义saver 

									    saver = tf.train.Saver() 

									    with tf.Session() as sess: 

									      print("从指定的路径中加载模型。。。。")

									      # 将模型加载到sess 中 

									      ckpt = tf.train.get_checkpoint_state(logs_train_dir) 

									      if ckpt and ckpt.model_checkpoint_path: 

									        global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] 

									        saver.restore(sess, ckpt.model_checkpoint_path) 

									        print('模型加载成功, 训练的步数为 %s' % global_step) 

									      else: 

									        print('模型加载失败，，，文件没有找到') 

									      # 将图片输入到模型计算

									      prediction = sess.run(logit, feed_dict={x: image_array})

									      # 获取输出结果中最大概率的索引

									      max_index = np.argmax(prediction) 

									      if max_index==0: 

									        print('猫的概率 %.6f' %prediction[:, 0]) 

									      else: 

									        print('狗的概率 %.6f' %prediction[:, 1]) 

									# 测试

									evaluate_one_image()