Tensorflow - 如何在訓練後使用我自己的圖像文件

Question

我現在正在嘗試學習tensorflow，以便獲得任何幫助。我遵循tensorflow網站上公佈的mnist代碼：https://www.tensorflow.org/get_started/mnist/pros 該模型運行和訓練到99％以上的準確性。我從互聯網上下載了一個PNG圖像..它叫1.png。我現在如何將這個圖像輸入到我的訓練模型中以確定它是否將它識別爲一個？目前爲止我看過的youtube視頻，甚至tensorflow頁面都沒有解釋如何做到這一點。我爲了讓這個圖像被模型檢查而輸入什麼內容？在訓練完成後，必須有一種方法將單個圖像傳遞給模型，否則就無法達到訓練好的模型的階段。我用的是總的代碼如下（這是tensorflow網站上顯示的相同的代碼）：

from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets('MNIST_data', one_hot=True) 

import tensorflow as tf 
sess = tf.InteractiveSession() 

x = tf.placeholder(tf.float32, shape=[None, 784]) 
y_ = tf.placeholder(tf.float32, shape=[None, 10]) 

W = tf.Variable(tf.zeros([784,10])) 
b = tf.Variable(tf.zeros([10])) 

sess.run(tf.global_variables_initializer()) 

writer = tf.summary.FileWriter('/tmp/mnistworking', graph=sess.graph) 


y = tf.matmul(x,W) + b 


cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) 

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) 

for _ in range(1000): 
    batch = mnist.train.next_batch(100) 
    train_step.run(feed_dict={x: batch[0], y_: batch[1]}) 

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})) 

def weight_variable(shape): 
    initial = tf.truncated_normal(shape, stddev=0.1) 
    return tf.Variable(initial) 

def bias_variable(shape): 
    initial = tf.constant(0.1, shape=shape) 
    return tf.Variable(initial) 

def conv2d(x, W): 
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') 

def max_pool_2x2(x): 
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], 
         strides=[1, 2, 2, 1], padding='SAME') 

W_conv1 = weight_variable([5, 5, 1, 32]) 
b_conv1 = bias_variable([32]) 

x_image = tf.reshape(x, [-1,28,28,1]) 

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) 
h_pool1 = max_pool_2x2(h_conv1) 

W_conv2 = weight_variable([5, 5, 32, 64]) 
b_conv2 = bias_variable([64]) 

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) 
h_pool2 = max_pool_2x2(h_conv2) 

W_fc1 = weight_variable([7 * 7 * 64, 1024]) 
b_fc1 = bias_variable([1024]) 

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) 
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) 

keep_prob = tf.placeholder(tf.float32) 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 

W_fc2 = weight_variable([1024, 10]) 
b_fc2 = bias_variable([10]) 

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2 

cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv)) 
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy) 
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
sess.run(tf.global_variables_initializer()) 
for i in range(17000): 
    batch = mnist.train.next_batch(50) 
    if i%100 == 0: 
    train_accuracy = accuracy.eval(feed_dict={ 
     x:batch[0], y_: batch[1], keep_prob: 1.0}) 
    print("step %d, training accuracy %g"%(i, train_accuracy)) 
    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5}) 

print("test accuracy %g"%accuracy.eval(feed_dict={ 
    x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})) 

Answer 1

你需要做到以下幾點：

• 從保存的檢查點恢復模型。有幾種方法可以實現。
• 將您的測試圖像從磁盤加載到一個numpy數組中，向量化並將其重新整形爲[1, 784]，因爲這是您在此處定義的輸入佔位符的形狀：x = tf.placeholder(tf.float32, shape=[None, 784])。請注意，在這種情況下，None表示可變批量大小，因此您可以按照您的要求在測試時間提供一個數據點。
• 接下來你讓模型完成它的工作，即讓它預測。爲此，您需要獲取計算分類的節點，該分類在您發佈的代碼中似乎爲tf.argmax(y_conv, 1)。請注意，您不需要將標籤添加到模型中，因爲您在測試期間沒有執行訓練步驟。

而且，可能是本教程可以對你有所幫助：Tensorflow Mechanics 101