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
|
1
2
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
|
# -*- 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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
|
# -*- 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服务器之家。
原文链接：http://blog.csdn.net/gaohuazhao/article/details/72886450
