TensorFlow 卷积神经网络之猫狗识别（二）

本文是TensorFlow 卷积神经网络之猫狗识别
的姊妹篇，是加载上一篇博客训练好的模型，进行猫狗识别

本文逻辑：

我从网上下载了十几张猫和狗的图片，用于检验我们训练好的模型。
处理我们下载的图片
加载模型
将图片输入模型进行检验

代码如下：

#coding=utf-8
import tensorflow as tf
from PIL import Image
import matplotlib.pyplot as plt
import input_data
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 = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/' 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1N_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)# 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 tensorimage = 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 placeholderx = tf.placeholder(tf.float32, shape=[208, 208, 3])  # 我门存放模型的路径logs_train_dir = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/saveNet/'   # 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 中 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)  if max_index==0:  print('猫的概率 %.6f' %prediction[:, 0])  else:  print('狗的概率 %.6f' %prediction[:, 1])
# 测试
evaluate_one_image()

/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/ 存放的是我从百度下载的猫狗图片

执行结果：
因为从testimg 中选取图片是随机的，所以每次执行的结果不同

从指定的路径中加载模型。。。。
模型加载成功, 训练的步数为 11999
狗的概率 0.964047
[Finished in 6.8s]

代码地址：https://github.com/527515025/My-TensorFlow-tutorials/blob/master/猫狗识别/evaluateCatOrDog.py

欢迎star。

TensorFlow 卷积神经网络之猫狗识别（二）相关推荐

【实战】kaggle猫狗大战-卷积神经网络实现猫狗识别
卷积神经网络:猫狗识别目录第一步:导入数据集第二步:数据预处理第三步:迁移学习第四步:模型保存第五步:模型融合第一步:导入数据集 kaggle猫狗大战数据集地址:kaggle # 将ka ...
基于卷积神经网络的猫狗识别
卷积神经网络的猫狗识别任务需求环境配置识别猫狗实例首先导入库数据预处理: 读取数据: 定义网络: 调整机器学习率定义训练过程训练开始训练结果用于测试代码结果任务需求按照 htt ...
毕设：基于CNN卷积神经网络的猫狗识别、狗品种识别(Tensorflow、Keras、Kaggle竞赛)
基于卷积神经网络的图像识别算法及其应用研究毕业快一年了,拿出来分享给大家,我和网上唯一的区别就是,我能够同时实现两个方案(猫狗识别和狗品种识别),我当时也是网上各种查,花了2,3个月的时间,一个萝卜 ...
第十二章卷积神经网络实战--猫狗识别
1.介绍我们已经学习了如何用传统的神经网络进行机器学习,在本章我们学习一下如何使用简单的神经网络进行图像分类.数据集用的是Kaggle的猫狗数据集.这里只有前100张,如果需要更多的可以去Kaggl ...
卷积神经网络的猫狗识别
文章目录一.准备工作二.猫狗识别 2.1.下载数据集 2.1.1. 图片分类 2.1.2.图片数量统计 2.2.卷积神经网络CNN 2.2.1.网络模型搭建 2.2.2.图像生成器读取文件中数据 ...
基于卷积神经网络的猫狗识别系统的设计与实现
1．1 题目的主要研究内容 (1)工作的主要描述通过卷积网络实现猫狗图像的识别.首先,在数据集中抽取训练集和测试集:其次,对图像进行预处理和特征提取,对图像数据进行图像增强,将图像从.jpg格式转化 ...
使用卷积神经网络处理猫狗识别数据集_v1
说明采用pytorch框架实现猫狗识别. 数据集下载猫狗识别数据集下载: 链接:https://pan.baidu.com/s/1hfzSacJbNBUhcDDtPnzlsg 提取码:fu74 ...
Pytorch基于卷积神经网络的猫狗识别
实验环境 Pytorch 1.4.0 conda 4.7.12 Jupyter Notebook 6.0.1 Python 3.7 数据集介绍实验采用的猫和狗的图片来自 Kaggle 竞赛的一个赛题 ...
（人工智能）基于卷积神经网络的猫狗识别
目录一.实验条件二.狗猫数据集的分类实验 1.运行程序:根据命名对图片分类 2.统计图片数量三.猫狗分类的实例 1.导入相应的库 2.设置超参数 3.图像处理与图像增强 4.读取数据集和导入数据 ...

TensorFlow 卷积神经网络之猫狗识别（二）

TensorFlow 卷积神经网络之猫狗识别（二）相关推荐

最新文章

热门文章