假設我們已經安裝好了python/303709.html">tensorflow。
一般在安裝好tensorflow后，都會跑它的demo，而最常見的demo就是手寫數字識別的demo,也就是mnist數據集。
然而我們僅僅是跑了它的demo而已，可能很多人會有和我一樣的想法，如果拿來一張數字圖片，如何應用我們訓練的網絡模型來識別出來，下面我們就以mnist的demo來實現它。
1.訓練模型
首先我們要訓練好模型，并且把模型model.ckpt保存到指定文件夾
saver = tf.train.Saver() saver.save(sess, "model_data/model.ckpt")
將以上兩行代碼加入到訓練的代碼中，訓練完成后保存模型即可，如果這部分有問題，你可以百度查閱資料，tensorflow怎么保存訓練模型，在這里我們就不羅嗦了。
2.測試模型
我們訓練好模型后，將它保存在了model_data文件夾中，你會發現文件夾中出現了4個文件
然后，我們就可以對這個模型進行測試了，將待檢測圖片放在images文件夾下，執行
# -*- coding:utf-8 -*- import cv2 import tensorflow as tf import numpy as np from sys import path path.append('../..') from common import extract_mnist #初始化單個卷積核上的參數 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) #初始化單個卷積核上的偏置值 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #輸入特征x，用卷積核W進行卷積運算，strides為卷積核移動步長， #padding表示是否需要補齊邊緣像素使輸出圖像大小不變 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #對x進行最大池化操作，ksize進行池化的范圍， 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(): #定義會話 sess = tf.InteractiveSession() #聲明輸入圖片數據，類別 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') #進行卷積操作，并添加relu激活函數 h_conv1 = tf.nn.relu(conv2d(x_img,W_conv1) + b_conv1) #進行最大池化 h_pool1 = max_pool_2x2(h_conv1) #同理第二層卷積層 h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) #將卷積的產出展開 h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64]) #神經網絡計算，并添加relu激活函數 h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1) #輸出層，使用softmax進行多分類 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) #圖片預處理 #img_gray = cv2.cvtColor(im , cv2.COLOR_BGR2GRAY).astype(np.float32) #數據從0~255轉為-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) #關閉會話 sess.close() if __name__ == '__main__': main() ok，貼一下效果圖
輸出：
最后再貼一個cifar10的，感覺我的輸入數據有點問題，因為直接讀cifar10的數據測試是沒問題的，但是換成自己的圖片做預處理后輸入結果就有問題，（參考：cv2讀入的數據是BGR順序，PIL讀入的數據是RGB順序，cifar10的數據是RGB順序），哪位童鞋能指出來記得留言告訴我
# -*- 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 #初始化單個卷積核上的參數 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) #初始化單個卷積核上的偏置值 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) #卷積操作 def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def main(): #定義會話 sess = tf.InteractiveSession() #聲明輸入圖片數據，類別 x = tf.placeholder('float',[None,32,32,3]) y_ = tf.placeholder('float',[None,10]) #第一層卷積層 W_conv1 = weight_variable([5, 5, 3, 64]) b_conv1 = bias_variable([64]) #進行卷積操作，并添加relu激活函數 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') #第二層卷積層 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') #全連接層 #權值參數 W_fc1 = weight_variable([8*8*64,384]) #偏置值 b_fc1 = bias_variable([384]) #將卷積的產出展開 pool2_flat = tf.reshape(pool2,[-1,8*8*64]) #神經網絡計算，并添加relu激活函數 fc1 = tf.nn.relu(tf.matmul(pool2_flat,W_fc1) + b_fc1) #全連接第二層 #權值參數 W_fc2 = weight_variable([384,192]) #偏置值 b_fc2 = bias_variable([192]) #神經網絡計算，并添加relu激活函數 fc2 = tf.nn.relu(tf.matmul(fc1,W_fc2) + b_fc2) #輸出層，使用softmax進行多分類 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 #獲取cifar10數據 # 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) #關閉會話 sess.close() if __name__ == '__main__': main() 以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VEVB武林網。
新聞熱點
疑難解答
