利用Tensorflow训练好的模型，来预测或识别单张图片

最新推荐文章于 2021-04-07 21:29:08 发布

Sincky丶

最新推荐文章于 2021-04-07 21:29:08 发布

阅读量2.5w

点赞数 16

CC 4.0 BY-SA版权

分类专栏： Tensorflow 文章标签： model 预测识别

本文链接：https://blog.youkuaiyun.com/lxq1997/article/details/83349676

这篇博客展示了如何利用Tensorflow训练的模型对单张图片进行预测和识别，输出对应的标签和预测概率。通过代码示例，解释了如何进行批次加载和预测，虽然只展示了单张图片的预测过程，但提到了多张图片预测的可能性。结果显示，一张图片被正确识别为小写字母'd'，而另一张图片识别为1，预测概率较高。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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