利用Tensorflow训练好的模型,来预测或识别单张图片

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
评论 18
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值