假设我们已经安装好了tensorflow。
一般在安装好tensorflow后,都会跑它的demo,而最常见的demo就是手写数字识别的demo,也就是mnist数据集。
然而我们仅仅是跑了它的demo而已,可能很多人会有和我一样的想法,如果拿来一张数字图片,如何应用我们训练的网络模型来识别出来,下面我们就以mnist的demo来实现它。
1.训练模型
首先我们要训练好模型,并且把模型model.ckpt保存到指定文件夹
saver = tf.train.Saver() saver.save(sess, "model_data/model.ckpt")
将以上两行代码加入到训练的代码中,训练完成后保存模型即可,如果这部分有问题,你可以百度查阅资料,tensorflow怎么保存训练模型,在这里我们就不罗嗦了。
2.测试模型
我们训练好模型后,将它保存在了model_data文件夹中,你会发现文件夹中出现了4个文件
然后,我们就可以对这个模型进行测试了,将待检测图片放在images文件夹下,执行
# -*- coding:utf-8 -*- import cv2 import tensorflow as tf import numpy as np from sys import path path.append('../..') from common import extract_mnist #初始化单个卷积核上的参数 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) #初始化单个卷积核上的偏置值 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #输入特征x,用卷积核W进行卷积运算,strides为卷积核移动步长, #padding表示是否需要补齐边缘像素使输出图像大小不变 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #对x进行最大池化操作,ksize进行池化的范围, def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME') def main(): #定义会话 sess = tf.InteractiveSession() #声明输入图片数据,类别 x = tf.placeholder('float',[None,784]) x_img = tf.reshape(x , [-1,28,28,1]) W_conv1 = weight_variable([5, 5, 1, 32]) b_conv1 = bias_variable([32]) W_conv2 = weight_variable([5,5,32,64]) b_conv2 = bias_variable([64]) W_fc1 = weight_variable([7*7*64,1024]) b_fc1 = bias_variable([1024]) W_fc2 = weight_variable([1024,10]) b_fc2 = bias_variable([10]) saver = tf.train.Saver(write_version=tf.train.SaverDef.V1) saver.restore(sess , 'model_data/model.ckpt') #进行卷积操作,并添加relu激活函数 h_conv1 = tf.nn.relu(conv2d(x_img,W_conv1) + b_conv1) #进行最大池化 h_pool1 = max_pool_2x2(h_conv1) #同理第二层卷积层 h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) #将卷积的产出展开 h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64]) #神经网络计算,并添加relu激活函数 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1) #输出层,使用softmax进行多分类 y_conv=tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2) # mnist_data_set = extract_mnist.MnistDataSet('../../data/') # x_img , y = mnist_data_set.next_train_batch(1) im = cv2.imread('images/888.jpg',cv2.IMREAD_GRAYSCALE).astype(np.float32) im = cv2.resize(im,(28,28),interpolation=cv2.INTER_CUBIC) #图片预处理 #img_gray = cv2.cvtColor(im , cv2.COLOR_BGR2GRAY).astype(np.float32) #数据从0~255转为-0.5~0.5 img_gray = (im - (255 / 2.0)) / 255 #cv2.imshow('out',img_gray) #cv2.waitKey(0) x_img = np.reshape(img_gray , [-1 , 784]) print x_img output = sess.run(y_conv , feed_dict = {x:x_img}) print 'the y_con : ', '\n',output print 'the predict is : ', np.argmax(output) #关闭会话 sess.close() if __name__ == '__main__': main()
ok,贴一下效果图
输出:
最后再贴一个cifar10的,感觉我的输入数据有点问题,因为直接读cifar10的数据测试是没问题的,但是换成自己的图片做预处理后输入结果就有问题,(参考:cv2读入的数据是BGR顺序,PIL读入的数据是RGB顺序,cifar10的数据是RGB顺序),哪位童鞋能指出来记得留言告诉我
# -*- coding:utf-8 -*- from sys import path import numpy as np import tensorflow as tf import time import cv2 from PIL import Image path.append('../..') from common import extract_cifar10 from common import inspect_image #初始化单个卷积核上的参数 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) #初始化单个卷积核上的偏置值 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #卷积操作 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def main(): #定义会话 sess = tf.InteractiveSession() #声明输入图片数据,类别 x = tf.placeholder('float',[None,32,32,3]) y_ = tf.placeholder('float',[None,10]) #第一层卷积层 W_conv1 = weight_variable([5, 5, 3, 64]) b_conv1 = bias_variable([64]) #进行卷积操作,并添加relu激活函数 conv1 = tf.nn.relu(conv2d(x,W_conv1) + b_conv1) # pool1 pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1],padding='SAME', name='pool1') # norm1 norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75,name='norm1') #第二层卷积层 W_conv2 = weight_variable([5,5,64,64]) b_conv2 = bias_variable([64]) conv2 = tf.nn.relu(conv2d(norm1,W_conv2) + b_conv2) # norm2 norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75,name='norm2') # pool2 pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1],strides=[1, 2, 2, 1], padding='SAME', name='pool2') #全连接层 #权值参数 W_fc1 = weight_variable([8*8*64,384]) #偏置值 b_fc1 = bias_variable([384]) #将卷积的产出展开 pool2_flat = tf.reshape(pool2,[-1,8*8*64]) #神经网络计算,并添加relu激活函数 fc1 = tf.nn.relu(tf.matmul(pool2_flat,W_fc1) + b_fc1) #全连接第二层 #权值参数 W_fc2 = weight_variable([384,192]) #偏置值 b_fc2 = bias_variable([192]) #神经网络计算,并添加relu激活函数 fc2 = tf.nn.relu(tf.matmul(fc1,W_fc2) + b_fc2) #输出层,使用softmax进行多分类 W_fc2 = weight_variable([192,10]) b_fc2 = bias_variable([10]) y_conv=tf.maximum(tf.nn.softmax(tf.matmul(fc2, W_fc2) + b_fc2),1e-30) # saver = tf.train.Saver() saver.restore(sess , 'model_data/model.ckpt') #input im = Image.open('images/dog8.jpg') im.show() im = im.resize((32,32)) # r , g , b = im.split() # im = Image.merge("RGB" , (r,g,b)) print im.size , im.mode im = np.array(im).astype(np.float32) im = np.reshape(im , [-1,32*32*3]) im = (im - (255 / 2.0)) / 255 batch_xs = np.reshape(im , [-1,32,32,3]) #print batch_xs #获取cifar10数据 # cifar10_data_set = extract_cifar10.Cifar10DataSet('../../data/') # batch_xs, batch_ys = cifar10_data_set.next_train_batch(1) # print batch_ys output = sess.run(y_conv , feed_dict={x:batch_xs}) print output print 'the out put is :' , np.argmax(output) #关闭会话 sess.close() if __name__ == '__main__': main()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。