利用Tensorflow训练好的模型,图片进行预测和识别,并输出相应的标签和预测概率。

如果想要多张图片,可以进行批次加载和预测,这里仅用单张图片进行演示。

模型文件:



预测图片:



这里直接贴代码,都有注释,应该很好理解
import tensorflow as tf import inference image_size = 128 # 输入层图片大小 #
模型保存的路径和文件名 MODEL_SAVE_PATH = "model/" MODEL_NAME = "model.ckpt" # 加载需要预测的图片
image_data = tf.gfile.FastGFile("./data/test/d.png", 'rb').read() #
将图片格式转换成我们所需要的矩阵格式,第二个参数为1,代表1维 decode_image = tf.image.decode_png(image_data,
1) # 再把数据格式转换成能运算的float32 decode_image =
tf.image.convert_image_dtype(decode_image, tf.float32) # 转换成指定的输入格式形状 image =
tf.reshape(decode_image, [-1, image_size, image_size, 1]) #
定义预测结果为logit值最大的分类,这里是前向传播算法,也就是卷积层、池化层、全连接层那部分 test_logit =
inference.inference(image, train=False, regularizer=None) # 利用softmax来获取概率
probabilities = tf.nn.softmax(test_logit) # 获取最大概率的标签位置 correct_prediction =
tf.argmax(test_logit, 1) # 定义Savar类 saver = tf.train.Saver() with tf.Session()
as sess: sess.run((tf.global_variables_initializer(),
tf.local_variables_initializer())) # 加载检查点状态,这里会获取最新训练好的模型 ckpt =
tf.train.get_checkpoint_state(MODEL_SAVE_PATH) if ckpt and
ckpt.model_checkpoint_path: # 加载模型和训练好的参数 saver.restore(sess,
ckpt.model_checkpoint_path) print("加载模型成功:" + ckpt.model_checkpoint_path) #
通过文件名得到模型保存时迭代的轮数.格式:model.ckpt-6000.data-00000-of-00001 global_step =
ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] # 获取预测结果
probabilities, label = sess.run([probabilities, correct_prediction]) # 获取此标签的概率
probability = probabilities[0][label] print("After %s training
step(s),validation label = %d, has %g probability" % (global_step, label,
probability)) else: print("模型加载失败!" + ckpt.model_checkpoint_path)
运行输出结果:



(标签为3,概率为0.984478)

标签字典:



3对应小写d,识别正确。

其他的图片的预测结果:

预测图片1:





标签字典:



图片1,识别结果为1,可能概率0.993034

识别结果还是挺好看的,不知道是不是过拟合了,还是迭代次数不够多,还需要调整调整。

(End)