Tensorflow模型實(shí)現(xiàn)預(yù)測(cè)或識(shí)別單張圖片

更新時(shí)間：2019年07月19日 11:53:27 作者：Sincky丶

這篇文章主要為大家詳細(xì)介紹了Tensorflow模型實(shí)現(xiàn)預(yù)測(cè)或識(shí)別單張圖片，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

利用Tensorflow訓(xùn)練好的模型，圖片進(jìn)行預(yù)測(cè)和識(shí)別，并輸出相應(yīng)的標(biāo)簽和預(yù)測(cè)概率。

如果想要多張圖片，可以進(jìn)行批次加載和預(yù)測(cè)，這里僅用單張圖片進(jìn)行演示。

模型文件：

預(yù)測(cè)圖片：

這里直接貼代碼，都有注釋?zhuān)瑧?yīng)該很好理解

import tensorflow as tf
import inference
 
image_size = 128 # 輸入層圖片大小
 
# 模型保存的路徑和文件名
MODEL_SAVE_PATH = "model/"
MODEL_NAME = "model.ckpt"
 
# 加載需要預(yù)測(cè)的圖片
image_data = tf.gfile.FastGFile("./data/test/d.png", 'rb').read()
 
# 將圖片格式轉(zhuǎn)換成我們所需要的矩陣格式，第二個(gè)參數(shù)為1，代表1維
decode_image = tf.image.decode_png(image_data, 1)
 
# 再把數(shù)據(jù)格式轉(zhuǎn)換成能運(yùn)算的float32
decode_image = tf.image.convert_image_dtype(decode_image, tf.float32)
 
# 轉(zhuǎn)換成指定的輸入格式形狀
image = tf.reshape(decode_image, [-1, image_size, image_size, 1])
 
# 定義預(yù)測(cè)結(jié)果為logit值最大的分類(lèi)，這里是前向傳播算法，也就是卷積層、池化層、全連接層那部分
test_logit = inference.inference(image, train=False, regularizer=None)
 
# 利用softmax來(lái)獲取概率
probabilities = tf.nn.softmax(test_logit)
 
# 獲取最大概率的標(biāo)簽位置
correct_prediction = tf.argmax(test_logit, 1)
 
# 定義Savar類(lèi)
saver = tf.train.Saver()
 
with tf.Session() as sess:
  sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))
 
  # 加載檢查點(diǎn)狀態(tài)，這里會(huì)獲取最新訓(xùn)練好的模型
  ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
  if ckpt and ckpt.model_checkpoint_path:
    # 加載模型和訓(xùn)練好的參數(shù)
    saver.restore(sess, ckpt.model_checkpoint_path)
    print("加載模型成功：" + ckpt.model_checkpoint_path)
 
    # 通過(guò)文件名得到模型保存時(shí)迭代的輪數(shù).格式：model.ckpt-6000.data-00000-of-00001
    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
 
    # 獲取預(yù)測(cè)結(jié)果
    probabilities, label = sess.run([probabilities, correct_prediction])
 
    # 獲取此標(biāo)簽的概率
    probability = probabilities[0][label]
 
    print("After %s training step(s),validation label = %d, has %g probability" % (global_step, label, probability))
  else:
    print("模型加載失?。? + ckpt.model_checkpoint_path)

運(yùn)行輸出結(jié)果：