Tensorflow模型实现预测或识别单张图片

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。

到此这篇关于Tensorflow模型实现预测或识别单张图片就介绍到这了。人这一生能力有限，但是努力无限，努力做一个的人，做一个心态阳光的人，做一个积极向上的人，用正能量激发自己，也感染身边的，你阳光，世界也会因你而精彩！一辈子要记住三句话：看人长处、帮人难处、记人好处，做一个充满正能量的人！更多相关Tensorflow模型实现预测或识别单张图片内容请查看相关栏目，小编编辑不易，再次感谢大家的支持！