Tensorflow详解猫狗识别（4）--预测

阳光穿透心脏的1/2处 2022-05-14 08:43 201阅读 0赞

预测步骤：读取图片，读取神经网络，读取保存好的神经网络参数，将图片前向传播一次，使用softmax将最后一层的结果归一化，最大的那个数就是你的预测结果了。

注意：读取图片的时候，图片的大小、格式、数据类型一定要与训练的图片相同，不然，要么报错，要么得不到你想要的结果。

代码：

import tensorflow as tf
    from PIL import Image
    import matplotlib.pyplot as plt
    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 = 'E:\\Pycharm\\tf-01\\Bigwork\\data_prepare\\test\\'
        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)#这行不要加，我们训练的图片并没有做标准化，这行改了我两天
            # 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 = 'E:\\Pycharm\\tf-01\\Bigwork\\savenet02\\'
            # 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
                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)
                print('猫的概率 %.6f' %prediction[:, 0])
                print('狗的概率 %.6f' %prediction[:, 1])
    # 测试
    print("I'm runing")
    evaluate_one_image()

运行：

![70][]

![70 1][]

![70 2][]

![70 3][]

结果还是很理想的。

[70]: /images/20220514/238290c056064b59b3522674d6d659fc.png
[70 1]: /images/20220514/6f428b91045d470eb8befaf34496768e.png
[70 2]: /images/20220514/c4f1d5c816734e6a85886cfe13bea4ac.png
[70 3]: /images/20220514/42401cc4b1154534aef8934c50e23695.png