Tensorflow详解猫狗识别（4）--预测

最新推荐文章于 2025-05-26 14:09:55 发布

阳阳阳阳阳阳阳

最新推荐文章于 2025-05-26 14:09:55 发布

阅读量6.2k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： tensorflow 文章标签： tensorflow 猫狗识别

本文链接：https://blog.youkuaiyun.com/qq_41004007/article/details/82425882

tensorflow 专栏收录该内容

10 篇文章

订阅专栏

本文介绍了一个基于TensorFlow的图片分类预测流程，包括读取图片、加载神经网络模型及参数、预处理图片、进行前向传播并输出预测结果。强调了图片预处理的重要性，并提供了完整的Python代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

预测步骤：读取图片，读取神经网络，读取保存好的神经网络参数，将图片前向传播一次，使用softmax将最后一层的结果归一化，最大的那个数就是你的预测结果了。

注意：读取图片的时候，图片的大小、格式、数据类型一定要与训练的图片相同，不然，要么报错，要么得不到你想要的结果。

代码：

import tensorflow as tf
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
import model
import os


#从指定目录中选取一张图片
def get_one_image(train):
    files = os.listdir(train)
    n = len(files)
    ind = np.random.randint(0,n)
    img_dir = os.path.join(train,files[ind])
    image = Image.open(img_dir)
    plt.imshow(image)
    plt.show()
    image = image.resize([208, 208])
    image = np.array(image)
    return image


def evaluate_one_image():
    #存放的是我从百度下载的猫狗图片路径
    train = 'E:\\Pycharm\\tf-01\\Bigwork\\data_prepare\\test\\'
    image_array = get_one_image(train)

    with tf.Graph().as_default():
        BATCH_SIZE = 1  # 因为只读取一副图片 所以batch 设置为1
        N_CLASSES = 2  # 2个输出神经元，［1，0］ 或者 ［0，1］猫和狗的概率
        # 转化图片格式
        image = tf.cast(image_array, tf.float32)
        # 图片标准化
        #image = tf.image.per_image_standardization(image)#这行不要加，我们训练的图片并没有做标准化，这行改了我两天
        # 图片原来是三维的 [208, 208, 3] 重新定义图片形状 改为一个4D  四维的 tensor
        image = tf.reshape(image, [1, 208, 208, 3])
        logit = model.inference(image, BATCH_SIZE, N_CLASSES)
        # 因为 inference 的返回没有用激活函数，所以在这里对结果用softmax 激活
        logit = tf.nn.softmax(logit)

        # 用最原始的输入数据的方式向模型输入数据 placeholder
        x = tf.placeholder(tf.float32, shape=[208, 208, 3])

        # 我门存放模型的路径
        logs_train_dir = 'E:\\Pycharm\\tf-01\\Bigwork\\savenet02\\'
        # 定义saver
        saver = tf.train.Saver()

        with tf.Session() as sess:

            print("从指定的路径中加载模型。。。。")
            # 将模型加载到sess
            ckpt = tf.train.get_checkpoint_state(logs_train_dir)
            if ckpt and ckpt.model_checkpoint_path:
                global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
                saver.restore(sess, ckpt.model_checkpoint_path)
                print('模型加载成功, 训练的步数为 %s' % global_step)
            else:
                print('模型加载失败，，，文件没有找到')
            # 将图片输入到模型计算
            prediction = sess.run(logit, feed_dict={x: image_array})
            # 获取输出结果中最大概率的索引
            max_index = np.argmax(prediction)
            print('猫的概率 %.6f' %prediction[:, 0])
            print('狗的概率 %.6f' %prediction[:, 1])
# 测试
print("I'm runing")
evaluate_one_image()

运行：

结果还是很理想的。