神经网络学习小记录15——tf利用训练好的模型进行预测

淩亂°似流年 2023-06-08 04:45 15阅读 0赞

### 神经网络学习小记录15——tf利用训练好的模型进行预测 ###

*  学习前言
 *  载入模型思路
 *  实现代码

# 学习前言 #

在[神经网络学习小记录14——slim常用函数与如何训练、保存模型][14_slim]文章里已经讲述了如何使用slim训练出来一个模型，这篇文章将会讲述如何预测。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]

# 载入模型思路 #

载入模型的过程主要分为以下四步：  
**1、建立会话Session；  
2、将img\_input的placeholder传入网络，建立网络结构；  
3、初始化所有变量；  
4、利用saver对象restore载入所有参数。**  
这里要注意的重点是，在利用saver对象restore载入所有参数之前，必须要建立网络结构，因为网络结构对应着cpkt文件中的参数。  
（网络层具有对应的名称scope。）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]

# 实现代码 #

在运行实验代码前，可以前往我的github下载代码，因为存在许多依赖的文件https://github.com/bubbliiiing/Mnist-recognition-By-Slim。

import tensorflow as tf
    import numpy as np
    from nets import Net
    from tensorflow.examples.tutorials.mnist import input_data
    
    def compute_accuracy(x_data,y_data):
        global prediction
        y_pre = sess.run(prediction,feed_dict={
        img_input:x_data})
        
        correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))
    
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    
        result = sess.run(accuracy,feed_dict = {
        img_input:x_data})
        return result
    
    mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
    
    slim = tf.contrib.slim
    
    # img_input的placeholder
    img_input = tf.placeholder(tf.float32, shape = (None, 784))
    img_reshape = tf.reshape(img_input,shape = (-1,28,28,1))
    
    # 载入模型
    sess = tf.Session()
    
    Conv_Net = Net.Conv_Net()
    # 将img_input的placeholder传入网络
    prediction = Conv_Net.net(img_reshape)
    
    # 载入模型
    ckpt_filename = './logs/model.ckpt-20000'
    
    # 初始化所有变量
    sess.run(tf.global_variables_initializer())
    saver = tf.train.Saver()
    
    # 恢复
    saver.restore(sess, ckpt_filename)
    
    print(compute_accuracy(mnist.test.images,mnist.test.labels))

运行结果为:

0.9921

[14_slim]: https://blog.csdn.net/weixin_44791964/article/details/102571830
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]: /images/20230531/2fb9e33640554cd0aadfa66abc48fc52.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20230531/7872d59450a146789f8dd4867b652b49.png