Tensorflow2.0笔记28——应用程序，给图识物

Tensorflow2.0笔记

本博客为Tensorflow2.0学习笔记，感谢北京大学微电子学院曹建老师

目录

• Tensorflow2.0笔记
  • 2.6 应用程序，给图识物
    • 1.给图识物
    • 2.前向传播执行应用

2.6 应用程序，给图识物

1.给图识物

输入一张手写数字图片：

神经网络自动识别出值：6

手写十个数，正确率 90%以上合格。

2.前向传播执行应用

predict(输入数据, batch_size=整数) 返回前向传播计算结果

注：predict 参数详解。(1)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）；(2)batch_size：整数，由于 GPU 的特性，batch_size最好选用 8，16，32，64……，如果未指定，默认为 32；(3)verbose: 日志显示模式，0 或 1；(4)steps: 声明预测结束之前的总步数（批次样本），默认值 None； (5)返回：预测的 Numpy 数组（或数组列表）。

from PIL import Image
import numpy as np
import tensorflow as tf

model_save_path = './checkpoint/mnist.ckpt'

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])
    
model.load_weights(model_save_path)

preNum = int(input("input the number of test pictures:"))

for i in range(preNum):
    image_path = input("the path of test picture:")
    img = Image.open(image_path)
    img = img.resize((28, 28), Image.ANTIALIAS)
    img_arr = np.array(img.convert('L'))

    img_arr = 255 - img_arr
                
    img_arr = img_arr / 255.0
    print("img_arr:",img_arr.shape)
    x_predict = img_arr[tf.newaxis, ...]
    print("x_predict:",x_predict.shape)
    result = model.predict(x_predict)
    
    pred = tf.argmax(result, axis=1)
    
    print('
')
    tf.print(pred)

​ 注：1、输出结果 pred 是张量，需要用 tf.print，print 打印出来是 tf.Tensor([1], shape=(1,), dtype=int64)；2、去掉二值化，出现无法收敛问题，需要对数据集进行归一化。

from PIL import Image
import numpy as np
import tensorflow as tf

model_save_path = './checkpoint/mnist.ckpt'

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])

model.load_weights(model_save_path)

preNum = int(input("input the number of test pictures:"))

for i in range(preNum):
    image_path = input("the path of test picture:")
    img = Image.open(image_path)
    img = img.resize((28, 28), Image.ANTIALIAS)
    img_arr = np.array(img.convert('L'))

    for i in range(28):
        for j in range(28):
            if img_arr[i][j] < 200:
                img_arr[i][j] = 255
            else:
                img_arr[i][j] = 0

    img_arr = img_arr / 255.0
    x_predict = img_arr[tf.newaxis, ...]
    result = model.predict(x_predict)

    pred = tf.argmax(result, axis=1)

    print('
')
    tf.print(pred)