TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片

技术  /  管理员 发布于 7年前   306

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：

1. 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。
2. 处理我们下载的图片
3. 加载模型
4. 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 pltimport input_data import numpy as npimport modelimport 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()

/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/ 存放的是我从百度下载的猫狗图片

执行结果：

因为从testimg 中选取图片是随机的，所以每次执行的结果不同

从指定的路径中加载模型。。。。
模型加载成功, 训练的步数为 11999
狗的概率 0.964047
[Finished in 6.8s]

代码地址：https://github.com/527515025/My-TensorFlow-tutorials/blob/master/猫狗识别/evaluateCatOrDog.py

欢迎star。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对AIDI的支持。如果你想了解更多相关内容请查看下面相关链接