tensorflow笔记【8】深度学习-预测

tensorflow笔记【8】深度学习-预测

• 一、应用程序，给图识物
• 二、使用步骤
• • 1.复现模型，前向传播
  • 2.load_weight读取已有参数
  • 3.使用predicth函数根据输入特征输出预测结果
• 总结

提示：以下是本篇文章正文内容，下面案例可供参考

predict
predict(x, batch_size=None, verbose=0, steps=None)
为输入样本生成输出预测。

计算是分批进行的

参数

x: 输入数据，Numpy 数组 （或者 Numpy 数组的列表，如果模型有多个输出）。
batch_size: 整数。如未指定，默认为 32。
verbose: 日志显示模式，0 或 1。
steps: 声明预测结束之前的总步数（批次样本）。默认值 None。
返回

预测的 Numpy 数组（或数组列表）。

代码如下：

# 1.导入相关模块---import
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import tensorflow as tf
import os
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras import Model

# 2.搭建网络模型----class
model_save_path = './checkpoint/checkpoint.ckpt'  # 最优模型保存路径

class MnistModel(Model):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')
        
    def call(self, x):
        x = self.flatten(x)
        x = self.d1(x)
        y = self.d2(x)
        return y
    
model = MnistModel()

# 3.加载参数---load_weight
model.load_weights(model_save_path)

# 4.预测输出结果---prdeict
# 预测图片的数量
preNum = int(input('input the number of test pictures:'))
for i in range(preNum):
    # 预测图片的路径
    image_path = input('the path of test picture:')
    # 打开待识别的图片
    img = Image.open(image_path)
    
    # 显示图片
    image = plt.imread(image_path)
    plt.set_cmap('gray')
    plt.imshow(image)
    
    
    # 调整输入神经网络的图片尺寸和类型
    img = img.resize((28, 28), Image.ANTIALIAS)
    img_arr = np.array(img.convert('L'))
    
    
    # img_arr = 255 - img_arr
    # 调整输入神经网络图片的颜色---灰度级
    for i in range(28):
        for j in range(28):
            if img_arr[i][j] < 200:
                img_arr[i][j] = 255  # 白色
            else:
                img_arr[i][j] = 0  # 黑色
    #  图片数据归一化
    img_arr = img_arr/255
    
    x_predict = img_arr[tf.newaxis, ...]
    
    result = model.predict(x_predict)
    pred = tf.argmax(result, axis=1)   # 行
    print('n')
    tf.print(pred)
    plt.pause(5)   # 暂停一秒
    plt.close()    # 关闭图片