猫狗大战——基于TensorFlow的猫狗识别（5）

72 阅读 0 评论 48 点赞

我是靠谱客的博主美好帅哥，这篇文章主要介绍猫狗大战——基于TensorFlow的猫狗识别（5），现在分享给大家，希望可以做个参考。

微信公众号：龙跃十二

我是小玉，一个平平无奇的小天才！

悄悄说，github上出了源码详解还有思维导图，答辩PPT，赶快去star！

我的github：https://github.com/ixiaoyu-tech/xiaoyu-project

在前边，我们将训练好的模型存储在指定路径下，这个时候我们的项目也就要接近尾声了，接下来我们需要的就是导入一副图像，做最后的图像测试。

文件名：test.py

代码详解：

复制代码

def evaluate_one_image():     
image_array=get_one_image_file("./data/test/68.jpg") #测试集路径，自己更改一下

with tf.Graph().as_default():        
    BATCH_SIZE = 1   # 获取一张图片        
    N_CLASSES = 2  #二分类         
    image = tf.cast(image_array, tf.float32)        
    image = tf.image.per_image_standardization(image)        
    image = tf.reshape(image, [1, 208, 208, 3])     #inference输入数据需要是4维数据，需要对image进行resize        
    logit = inference(image, BATCH_SIZE, N_CLASSES)   
    logit = tf.nn.softmax(logit)    #inference的softmax层没有激活函数，这里增加激活函数         
    
    #因为只有一副图，数据量小，所以用placeholder        
    x = tf.placeholder(tf.float32, shape=[208, 208, 3])         
    #         
    # 训练模型路径        
    logs_train_dir = './model/'         
    saver = tf.train.Saver()         
    with tf.Session() as sess:             
        # 从指定路径下载模型            
        print("Reading checkpoints...")            
        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('Loading success, global_step is %s' % global_step)            
        else:                
            print('No checkpoint file found')             
        prediction = sess.run(logit, feed_dict={x: image_array})            
        # 得到概率最大的索引            
        max_index = np.argmax(prediction)                  
        if max_index==0:                
            print('This is a cat with possibility %.6f' %prediction[:, 0])            
        else:                
            print('This is a dog with possibility %.6f' %prediction[:, 1])    
def main():
    run_training()
    evaluate_one_image()
 
if __name__ == '__main__':
    main()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
def evaluate_one_image():     
image_array=get_one_image_file("./data/test/68.jpg") #测试集路径，自己更改一下

with tf.Graph().as_default():        
    BATCH_SIZE = 1   # 获取一张图片        
    N_CLASSES = 2  #二分类         
    image = tf.cast(image_array, tf.float32)        
    image = tf.image.per_image_standardization(image)        
    image = tf.reshape(image, [1, 208, 208, 3])     #inference输入数据需要是4维数据，需要对image进行resize        
    logit = inference(image, BATCH_SIZE, N_CLASSES)   
    logit = tf.nn.softmax(logit)    #inference的softmax层没有激活函数，这里增加激活函数         
    
    #因为只有一副图，数据量小，所以用placeholder        
    x = tf.placeholder(tf.float32, shape=[208, 208, 3])         
    #         
    # 训练模型路径        
    logs_train_dir = './model/'         
    saver = tf.train.Saver()         
    with tf.Session() as sess:             
        # 从指定路径下载模型            
        print("Reading checkpoints...")            
        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('Loading success, global_step is %s' % global_step)            
        else:                
            print('No checkpoint file found')             
        prediction = sess.run(logit, feed_dict={x: image_array})            
        # 得到概率最大的索引            
        max_index = np.argmax(prediction)                  
        if max_index==0:                
            print('This is a cat with possibility %.6f' %prediction[:, 0])            
        else:                
            print('This is a dog with possibility %.6f' %prediction[:, 1])    
def main():
    run_training()
    evaluate_one_image()
 
if __name__ == '__main__':
    main()