如何使用Tensorflow模型實(shí)現(xiàn)預(yù)測-創(chuàng)新互聯(lián)

如何使用Tensorflow模型實(shí)現(xiàn)預(yù)測？針對這個問題，這篇文章詳細(xì)介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

為武安等地區(qū)用戶提供了全套網(wǎng)頁設(shè)計制作服務(wù)，及武安網(wǎng)站建設(shè)行業(yè)解決方案。主營業(yè)務(wù)為網(wǎng)站制作、做網(wǎng)站、武安網(wǎng)站設(shè)計，以傳統(tǒng)方式定制建設(shè)網(wǎng)站，并提供域名空間備案等一條龍服務(wù)，秉承以專業(yè)、用心的態(tài)度為用戶提供真誠的服務(wù)。我們深信只要達(dá)到每一位用戶的要求，就會得到認(rèn)可，從而選擇與我們長期合作。這樣，我們也可以走得更遠(yuǎn)！

模型文件：

如何使用Tensorflow模型實(shí)現(xiàn)預(yù)測

預(yù)測圖片：

如何使用Tensorflow模型實(shí)現(xiàn)預(yù)測

這里直接貼代碼，都有注釋，應(yīng)該很好理解

import tensorflow as tf
import inference
 
image_size = 128 # 輸入層圖片大小
 
# 模型保存的路徑和文件名
MODEL_SAVE_PATH = "model/"
MODEL_NAME = "model.ckpt"
 
# 加載需要預(yù)測的圖片
image_data = tf.gfile.FastGFile("./data/test/d.png", 'rb').read()
 
# 將圖片格式轉(zhuǎn)換成我們所需要的矩陣格式，第二個參數(shù)為1，代表1維
decode_image = tf.image.decode_png(image_data, 1)
 
# 再把數(shù)據(jù)格式轉(zhuǎn)換成能運(yùn)算的float32
decode_image = tf.image.convert_image_dtype(decode_image, tf.float32)
 
# 轉(zhuǎn)換成指定的輸入格式形狀
image = tf.reshape(decode_image, [-1, image_size, image_size, 1])
 
# 定義預(yù)測結(jié)果為logit值大的分類，這里是前向傳播算法，也就是卷積層、池化層、全連接層那部分
test_logit = inference.inference(image, train=False, regularizer=None)
 
# 利用softmax來獲取概率
probabilities = tf.nn.softmax(test_logit)
 
# 獲取大概率的標(biāo)簽位置
correct_prediction = tf.argmax(test_logit, 1)
 
# 定義Savar類
saver = tf.train.Saver()
 
with tf.Session() as sess:
  sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))
 
  # 加載檢查點(diǎn)狀態(tài)，這里會獲取最新訓(xùn)練好的模型
  ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
  if ckpt and ckpt.model_checkpoint_path:
    # 加載模型和訓(xùn)練好的參數(shù)
    saver.restore(sess, ckpt.model_checkpoint_path)
    print("加載模型成功：" + ckpt.model_checkpoint_path)
 
    # 通過文件名得到模型保存時迭代的輪數(shù).格式：model.ckpt-6000.data-00000-of-00001
    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
 
    # 獲取預(yù)測結(jié)果
    probabilities, label = sess.run([probabilities, correct_prediction])
 
    # 獲取此標(biāo)簽的概率
    probability = probabilities[0][label]
 
    print("After %s training step(s),validation label = %d, has %g probability" % (global_step, label, probability))
  else:
    print("模型加載失敗！" + ckpt.model_checkpoint_path)

運(yùn)行輸出結(jié)果：

如何使用Tensorflow模型實(shí)現(xiàn)預(yù)測