基于深度神经网络的宝石分类

　　我们将宝石分类视为一个图像分类任务，主要方法是使用深度神经网络搭建一个分类模型，通过对模型的多轮训练学习图像特征，最终获得用于宝石分类的模型，大致可以分为五步：

　　1、数据集的加载与预处理；

　　2、模型的搭建；

　　3、模型训练；

　　4、模型评估；

　　5、使用模型进行预测；

　　环境：python3.7，使用飞浆2.0版本，操作平台为pycharm

　　步骤1：我们对宝石图像数据集进行加载与预处理

　　使用的数据集中包含800多张格式为jpg的宝石图像，包含25个宝石类别。是一个多分类任务，首先我们定义一个方法对宝石的数据集的压缩包进行解压缩，解压缩之后可以观察数据集文件夹结构。

 1 def unzip_data(src_path,target_path):
 2 
 3     '''
 4     解压原始数据集，将src_path路径下的zip包解压至data/dataset目录下
 5     '''
 6 
 7     if(not os.path.isdir(target_path)):    
 8         z = zipfile.ZipFile(src_path, 'r')
 9         z.extractall(path=target_path)
10         z.close()
11     else:
12         print("文件已解压")

　　解压得到文件夹后，定义一个方法遍历文件夹和图片，按照一定比例将数据划分为训练集和验证集，并生成文本文件train.txt、eval.txt用于记录用于训练和测试的图片路径及其对应的标签，使用制表符进行分割，通过定义一个数据加载器Reader，用于加载训练和评估要使用的数据，并且用于对图像的一些处理、转化操作，需要继承Dataset类：

 1 class Reader(Dataset):
 2     def __init__(self, data_path, mode='train'):
 3         """
 4         数据读取器
 5         :param data_path: 数据集所在路径
 6         :param mode: train or eval
 7         """
 8         super().__init__()
 9         self.data_path = data_path
10         self.img_paths = []
11         self.labels = []
12 
13         if mode == 'train':
14             with open(os.path.join(self.data_path, "train.txt"), "r", encoding="utf-8") as f:
15                 self.info = f.readlines()
16             for img_info in self.info:
17                 img_path, label = img_info.strip().split('\t')
18                 self.img_paths.append(img_path)
19                 self.labels.append(int(label))
20 
21         else:
22             with open(os.path.join(self.data_path, "eval.txt"), "r", encoding="utf-8") as f:
23                 self.info = f.readlines()
24             for img_info in self.info:
25                 img_path, label = img_info.strip().split('\t')
26                 self.img_paths.append(img_path)
27                 self.labels.append(int(label))
28 
29 
30     def __getitem__(self, index):
31         """
32         获取一组数据
33         :param index: 文件索引号
34         :return:
35         """
36         # 第一步打开图像文件并获取label值
37         img_path = self.img_paths[index]
38         img = Image.open(img_path)
39         if img.mode != 'RGB':
40             img = img.convert('RGB') 
41         img = img.resize((224, 224), Image.BILINEAR)
42         img = np.array(img).astype('float32')
43         img = img.transpose((2, 0, 1)) / 255
44         label = self.labels[index]
45         label = np.array([label], dtype="int64")
46         return img, label
47 
48     def print_sample(self, index: int = 0):
49         print("文件名", self.img_paths[index], "\t标签值", self.labels[index])
50 
51     def __len__(self):
52         return len(self.img_paths)
53 
54 
55 # In[8]:
56 
57 
58 train_dataset = Reader('./',mode='train')
59 
60 eval_dataset = Reader('./',mode='eval')
61 
62 #训练数据加载
63 train_loader = paddle.io.DataLoader(train_dataset, batch_size=16, shuffle=True)
64 #测试数据加载
65 eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 8, shuffle=False)

　　步骤2：搭建神经网络模型

　　使用全连接神经元搭建神经网络模型：

 1 #定义DNN网络
 2 class MyDNN(paddle.nn.Layer):
 3     def __init__(self):
 4         super(MyDNN,self).__init__()
 5         self.linear1 = paddle.nn.Linear(in_features=3*224*224, out_features=1024)
 6         self.relu1 = paddle.nn.ReLU()
 7 
 8         self.linear2 = paddle.nn.Linear(in_features=1024, out_features=512)
 9         self.relu2 = paddle.nn.ReLU()
10 
11         self.linear3 = paddle.nn.Linear(in_features=512, out_features=128)
12         self.relu3 = paddle.nn.ReLU()
13 
14         self.linear4 = paddle.nn.Linear(in_features=128, out_features=25)
15 
16     def forward(self,input):        # forward 定义执行实际运行时网络的执行逻辑
17         # input.shape (16, 3, 224, 224)
18         x = paddle.reshape(input, shape=[-1,3*224*224]) #-1 表示这个维度的值是从x的元素总数和剩余维度推断出来的，有且只能有一个维度设置为-1
19         # print(x.shape)
20         x = self.linear1(x)
21         x = self.relu1(x)
22         # print('1', x.shape)
23         x = self.linear2(x)
24         x = self.relu2(x)
25         # print('2',x.shape)
26         x = self.linear3(x)
27         x = self.relu3(x)
28         # print('3',x.shape)
29         y = self.linear4(x)
30         # print('4',y.shape)
31         return y

　　步骤3：训练神经网络模型

 1 # # 3、训练模型
 2 
 3 # In[12]:
 4 
 5 
 6 model=MyDNN() #模型实例化
 7 model.train() #训练模式
 8 cross_entropy = paddle.nn.CrossEntropyLoss()
 9 opt=paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
10 
11 epochs_num=train_parameters['num_epochs'] #迭代次数
12 for pass_num in range(train_parameters['num_epochs']):
13     for batch_id,data in enumerate(train_loader()):
14         image = data[0]
15         label = data[1]
16 
17         predict=model(image) #数据传入model
18 
19         loss=cross_entropy(predict,label)
20         acc=paddle.metric.accuracy(predict,label)#计算精度
21         
22         if batch_id!=0 and batch_id%5==0:
23             Batch = Batch+5 
24             Batchs.append(Batch)
25             all_train_loss.append(loss.numpy()[0])
26             all_train_accs.append(acc.numpy()[0])
27             
28             print("train_pass:{},batch_id:{},train_loss:{},train_acc:{}".format(pass_num,batch_id,loss.numpy(),acc.numpy()))
29         
30         loss.backward()       
31         opt.step()
32         opt.clear_grad()   #opt.clear_grad()来重置梯度
33 
34 paddle.save(model.state_dict(),'MyDNN')#保存模型
35 
36 draw_train_acc(Batchs,all_train_accs)
37 draw_train_loss(Batchs,all_train_loss)

　　这里调用了两个方法画出训练准确率和损失率的图像，其画图方法定义为：

 1 #定义了准确率和损失率的画法
 2 Batch=0
 3 Batchs=[]
 4 all_train_accs=[]
 5 def draw_train_acc(Batchs, train_accs):
 6     title="training accs"
 7     plt.title(title, fontsize=24)
 8     plt.xlabel("batch", fontsize=14)
 9     plt.ylabel("acc", fontsize=14)
10     plt.plot(Batchs, train_accs, color='green', label='training accs')
11     plt.legend()
12     plt.grid()
13     plt.show()
14 
15 all_train_loss=[]
16 def draw_train_loss(Batchs, train_loss):
17     title="training loss"
18     plt.title(title, fontsize=24)
19     plt.xlabel("batch", fontsize=14)
20     plt.ylabel("loss", fontsize=14)
21     plt.plot(Batchs, train_loss, color='red', label='training loss')
22     plt.legend()
23     plt.grid()
24     plt.show()

　　步骤4：对模型进行评估

#模型评估
para_state_dict = paddle.load("MyDNN")
model = MyDNN()
model.set_state_dict(para_state_dict) #加载模型参数
model.eval() #验证模式

accs = []

for batch_id,data in enumerate(eval_loader()):#测试集
    image=data[0]
    label=data[1]     
    predict=model(image)       
    acc=paddle.metric.accuracy(predict,label)
    accs.append(acc.numpy()[0])
    avg_acc = np.mean(accs)
print("当前模型在验证集上的准确率为:",avg_acc)

　　步骤5：预测新的宝石图像

 1 '''
 2 模型预测
 3 '''
 4 para_state_dict = paddle.load("MyDNN")
 5 model = MyDNN()
 6 model.set_state_dict(para_state_dict) #加载模型参数
 7 model.eval() #训练模式
 8 
 9 #展示预测图片
10 infer_path='/home/aistudio/data/archive_test/alexandrite_3.jpg'
11 img = Image.open(infer_path)
12 plt.imshow(img)          #根据数组绘制图像
13 plt.show()               #显示图像
14 
15 #对预测图片进行预处理
16 infer_imgs = []
17 infer_imgs.append(load_image(infer_path))
18 infer_imgs = np.array(infer_imgs)
19 
20 label_dic = train_parameters['label_dict']
21 
22 for i in range(len(infer_imgs)):
23     data = infer_imgs[i]
24     dy_x_data = np.array(data).astype('float32')
25     dy_x_data=dy_x_data[np.newaxis,:, : ,:]
26     img = paddle.to_tensor (dy_x_data)
27     out = model(img)
28     lab = np.argmax(out.numpy())  #argmax():返回最大数的索引
29 
30     print("第{}个样本,被预测为：{},真实标签为：{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0]))
31         
32 print("结束")

　　完整的代码如下所示：

  1 #!/usr/bin/env python
  2 # coding: utf-8
  3 
  4 # # **任务描述：**
  5 # 
  6 # ### 本次实践是一个多分类任务，需要将照片中的宝石分别进行识别，完成**宝石的识别**
  7 # 
  8 # ### **实践平台：百度AI实训平台-AI Studio、PaddlePaddle2.0.0 动态图**
  9 # 
 10 # 
 11 # ![](https://ai-studio-static-online.cdn.bcebos.com/7640d4434f894f5dbae1d85c62e54b8476e24856aabc4c5f9915fea1b26f3ebc)
 12 # 
 13 
 14 # # 深度神经网络(DNN)
 15 # 
 16 # ### **深度神经网络（Deep Neural Networks，简称DNN）是深度学习的基础，其结构为input、hidden（可有多层）、output，每层均为全连接。**
 17 # ![](https://ai-studio-static-online.cdn.bcebos.com/c60fc28848cf469fa3a7824aa637a03f3b2b213ce7b84659919cb24b4430bffb)
 18 # 
 19 # 
 20 
 21 # # 数据集介绍
 22 # 
 23 # * **数据集文件名为archive_train.zip,archive_test.zip。**
 24 # 
 25 # * **该数据集包含25个类别不同宝石的图像。**
 26 # 
 27 # * **这些类别已经分为训练和测试数据。**
 28 # 
 29 # * **图像大小不一，格式为.jpeg。**
 30 # 
 31 # 
 32 # ![](https://ai-studio-static-online.cdn.bcebos.com/7640d4434f894f5dbae1d85c62e54b8476e24856aabc4c5f9915fea1b26f3ebc)
 33 # 
 34 
 35 # In[1]:
 36 
 37 
 38 # 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原
 39 # View dataset directory. This directory will be recovered automatically after resetting environment. 
 40 # get_ipython().system('ls /home/aistudio/data')
 41 
 42 
 43 # In[2]:
 44 
 45 
 46 #导入需要的包
 47 import os
 48 import zipfile
 49 import random
 50 import json
 51 import cv2
 52 import numpy as np
 53 from PIL import Image
 54 import paddle
 55 import matplotlib.pyplot as plt
 56 from paddle.io import Dataset
 57 
 58 
 59 # # 1、数据准备
 60 
 61 # In[3]:
 62 
 63 
 64 '''
 65 参数配置
 66 '''
 67 train_parameters = {
 68     "input_size": [3, 224, 224],                           #输入图片的shape
 69     "class_dim": -1,                                     #分类数
 70     "src_path":"data/data55032/archive_train.zip",       #原始数据集路径
 71     "target_path":"/home/aistudio/data/dataset",        #要解压的路径
 72     "train_list_path": "./train.txt",              #train_data.txt路径
 73     "eval_list_path": "./eval.txt",                  #eval_data.txt路径
 74     "label_dict":{},                                    #标签字典
 75     "readme_path": "/home/aistudio/data/readme.json",   #readme.json路径
 76     "num_epochs": 1,                                    #训练轮数
 77     "train_batch_size": 16,                             #批次的大小
 78     "learning_strategy": {                              #优化函数相关的配置
 79         "lr": 0.001                                     #超参数学习率
 80     } 
 81 }
 82 
 83 
 84 
 85 # In[4]:
 86 
 87 
 88 def unzip_data(src_path,target_path):
 89 
 90     '''
 91     解压原始数据集，将src_path路径下的zip包解压至data/dataset目录下
 92     '''
 93 
 94     if(not os.path.isdir(target_path)):    
 95         z = zipfile.ZipFile(src_path, 'r')
 96         z.extractall(path=target_path)
 97         z.close()
 98     else:
 99         print("文件已解压")
100 
101 
102 # In[5]:
103 
104 
105 def get_data_list(target_path,train_list_path,eval_list_path):
106     '''
107     生成数据列表
108     '''
109     #存放所有类别的信息
110     class_detail = []
111     #获取所有类别保存的文件夹名称
112     data_list_path=target_path
113     class_dirs = os.listdir(data_list_path)
114     if '__MACOSX' in class_dirs:
115         class_dirs.remove('__MACOSX')
116     # #总的图像数量
117     all_class_images = 0
118     # #存放类别标签
119     class_label=0
120     # #存放类别数目
121     class_dim = 0
122     # #存储要写进eval.txt和train.txt中的内容
123     trainer_list=[]
124     eval_list=[]
125     #读取每个类别
126     for class_dir in class_dirs:
127         if class_dir != ".DS_Store":
128             class_dim += 1
129             #每个类别的信息
130             class_detail_list = {}
131             eval_sum = 0
132             trainer_sum = 0
133             #统计每个类别有多少张图片
134             class_sum = 0
135             #获取类别路径 
136             path = os.path.join(data_list_path,class_dir)
137             # 获取所有图片
138             img_paths = os.listdir(path)
139             for img_path in img_paths:                                  # 遍历文件夹下的每个图片
140                 if img_path =='.DS_Store':
141                     continue
142                 name_path = os.path.join(path,img_path)                       # 每张图片的路径
143                 if class_sum % 15 == 0:                                 # 每10张图片取一个做验证数据
144                     eval_sum += 1                                       # eval_sum为测试数据的数目
145                     eval_list.append(name_path + "\t%d" % class_label + "\n")
146                 else:
147                     trainer_sum += 1 
148                     trainer_list.append(name_path + "\t%d" % class_label + "\n")#trainer_sum测试数据的数目
149                 class_sum += 1                                          #每类图片的数目
150                 all_class_images += 1                                   #所有类图片的数目
151             
152             # 说明的json文件的class_detail数据
153             class_detail_list['class_name'] = class_dir             #类别名称
154             class_detail_list['class_label'] = class_label          #类别标签
155             class_detail_list['class_eval_images'] = eval_sum       #该类数据的测试集数目
156             class_detail_list['class_trainer_images'] = trainer_sum #该类数据的训练集数目
157             class_detail.append(class_detail_list)  
158             #初始化标签列表
159             train_parameters['label_dict'][str(class_label)] = class_dir
160             class_label += 1
161             
162     #初始化分类数
163     train_parameters['class_dim'] = class_dim
164     print(train_parameters)
165     #乱序  
166     random.shuffle(eval_list)
167     with open(eval_list_path, 'a') as f:
168         for eval_image in eval_list:
169             f.write(eval_image) 
170     #乱序        
171     random.shuffle(trainer_list) 
172     with open(train_list_path, 'a') as f2:
173         for train_image in trainer_list:
174             f2.write(train_image) 
175 
176     # 说明的json文件信息
177     readjson = {}
178     readjson['all_class_name'] = data_list_path                  #文件父目录
179     readjson['all_class_images'] = all_class_images
180     readjson['class_detail'] = class_detail
181     jsons = json.dumps(readjson, sort_keys=True, indent=4, separators=(',', ': '))
182     with open(train_parameters['readme_path'],'w') as f:
183         f.write(jsons)
184     print ('生成数据列表完成！')
185 
186 
187 # In[6]:
188 
189 
190 '''
191 参数初始化
192 '''
193 src_path=train_parameters['src_path']
194 target_path=train_parameters['target_path']
195 train_list_path=train_parameters['train_list_path']
196 eval_list_path=train_parameters['eval_list_path']
197 batch_size=train_parameters['train_batch_size']
198 '''
199 解压原始数据到指定路径
200 '''
201 unzip_data(src_path,target_path)
202 
203 '''
204 划分训练集与验证集，乱序，生成数据列表
205 '''
206 #每次生成数据列表前，首先清空train.txt和eval.txt
207 with open(train_list_path, 'w') as f: 
208     f.seek(0)
209     f.truncate() 
210 with open(eval_list_path, 'w') as f: 
211     f.seek(0)
212     f.truncate() 
213     
214 #生成数据列表   
215 get_data_list(target_path,train_list_path,eval_list_path)
216 
217 
218 # In[7]:
219 
220 
221 class Reader(Dataset):
222     def __init__(self, data_path, mode='train'):
223         """
224         数据读取器
225         :param data_path: 数据集所在路径
226         :param mode: train or eval
227         """
228         super().__init__()
229         self.data_path = data_path
230         self.img_paths = []
231         self.labels = []
232 
233         if mode == 'train':
234             with open(os.path.join(self.data_path, "train.txt"), "r", encoding="utf-8") as f:
235                 self.info = f.readlines()
236             for img_info in self.info:
237                 img_path, label = img_info.strip().split('\t')
238                 self.img_paths.append(img_path)
239                 self.labels.append(int(label))
240 
241         else:
242             with open(os.path.join(self.data_path, "eval.txt"), "r", encoding="utf-8") as f:
243                 self.info = f.readlines()
244             for img_info in self.info:
245                 img_path, label = img_info.strip().split('\t')
246                 self.img_paths.append(img_path)
247                 self.labels.append(int(label))
248 
249 
250     def __getitem__(self, index):
251         """
252         获取一组数据
253         :param index: 文件索引号
254         :return:
255         """
256         # 第一步打开图像文件并获取label值
257         img_path = self.img_paths[index]
258         img = Image.open(img_path)
259         if img.mode != 'RGB':
260             img = img.convert('RGB') 
261         img = img.resize((224, 224), Image.BILINEAR)
262         img = np.array(img).astype('float32')
263         img = img.transpose((2, 0, 1)) / 255
264         label = self.labels[index]
265         label = np.array([label], dtype="int64")
266         return img, label
267 
268     def print_sample(self, index: int = 0):
269         print("文件名", self.img_paths[index], "\t标签值", self.labels[index])
270 
271     def __len__(self):
272         return len(self.img_paths)
273 
274 
275 # In[8]:
276 
277 
278 train_dataset = Reader('./',mode='train')
279 
280 eval_dataset = Reader('./',mode='eval')
281 
282 #训练数据加载
283 train_loader = paddle.io.DataLoader(train_dataset, batch_size=16, shuffle=True)
284 #测试数据加载
285 eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 8, shuffle=False)
286 
287 
288 # In[9]:
289 
290 
291 train_dataset.print_sample(200)
292 print(train_dataset.__len__())
293 eval_dataset.print_sample(0)
294 print(eval_dataset.__len__())
295 print(eval_dataset.__getitem__(10)[0].shape)
296 print(eval_dataset.__getitem__(10)[1].shape)
297 
298 
299 # In[10]:
300 
301 #定义了准确率和损失率的画法
302 Batch=0
303 Batchs=[]
304 all_train_accs=[]
305 def draw_train_acc(Batchs, train_accs):
306     title="training accs"
307     plt.title(title, fontsize=24)
308     plt.xlabel("batch", fontsize=14)
309     plt.ylabel("acc", fontsize=14)
310     plt.plot(Batchs, train_accs, color='green', label='training accs')
311     plt.legend()
312     plt.grid()
313     plt.show()
314 
315 all_train_loss=[]
316 def draw_train_loss(Batchs, train_loss):
317     title="training loss"
318     plt.title(title, fontsize=24)
319     plt.xlabel("batch", fontsize=14)
320     plt.ylabel("loss", fontsize=14)
321     plt.plot(Batchs, train_loss, color='red', label='training loss')
322     plt.legend()
323     plt.grid()
324     plt.show()
325 
326 
327 # # 2、定义模型
328 
329 # In[11]:
330 
331 
332 #定义DNN网络
333 class MyDNN(paddle.nn.Layer):
334     def __init__(self):
335         super(MyDNN,self).__init__()
336         self.linear1 = paddle.nn.Linear(in_features=3*224*224, out_features=1024)
337         self.relu1 = paddle.nn.ReLU()
338 
339         self.linear2 = paddle.nn.Linear(in_features=1024, out_features=512)
340         self.relu2 = paddle.nn.ReLU()
341 
342         self.linear3 = paddle.nn.Linear(in_features=512, out_features=128)
343         self.relu3 = paddle.nn.ReLU()
344 
345         self.linear4 = paddle.nn.Linear(in_features=128, out_features=25)
346 
347     def forward(self,input):        # forward 定义执行实际运行时网络的执行逻辑
348         # input.shape (16, 3, 224, 224)
349         x = paddle.reshape(input, shape=[-1,3*224*224]) #-1 表示这个维度的值是从x的元素总数和剩余维度推断出来的，有且只能有一个维度设置为-1
350         # print(x.shape)
351         x = self.linear1(x)
352         x = self.relu1(x)
353         # print('1', x.shape)
354         x = self.linear2(x)
355         x = self.relu2(x)
356         # print('2',x.shape)
357         x = self.linear3(x)
358         x = self.relu3(x)
359         # print('3',x.shape)
360         y = self.linear4(x)
361         # print('4',y.shape)
362         return y
363 
364 
365 # # 3、训练模型
366 
367 # In[12]:
368 
369 
370 model=MyDNN() #模型实例化
371 model.train() #训练模式
372 cross_entropy = paddle.nn.CrossEntropyLoss()
373 opt=paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
374 
375 epochs_num=train_parameters['num_epochs'] #迭代次数
376 for pass_num in range(train_parameters['num_epochs']):
377     for batch_id,data in enumerate(train_loader()):
378         image = data[0]
379         label = data[1]
380 
381         predict=model(image) #数据传入model
382 
383         loss=cross_entropy(predict,label)
384         acc=paddle.metric.accuracy(predict,label)#计算精度
385         
386         if batch_id!=0 and batch_id%5==0:
387             Batch = Batch+5 
388             Batchs.append(Batch)
389             all_train_loss.append(loss.numpy()[0])
390             all_train_accs.append(acc.numpy()[0])
391             
392             print("train_pass:{},batch_id:{},train_loss:{},train_acc:{}".format(pass_num,batch_id,loss.numpy(),acc.numpy()))
393         
394         loss.backward()       
395         opt.step()
396         opt.clear_grad()   #opt.clear_grad()来重置梯度
397 
398 paddle.save(model.state_dict(),'MyDNN')#保存模型
399 
400 draw_train_acc(Batchs,all_train_accs)
401 draw_train_loss(Batchs,all_train_loss)
402 
403 
404 # # 4、模型评估
405 
406 # In[13]:
407 
408 
409 #模型评估
410 para_state_dict = paddle.load("MyDNN")
411 model = MyDNN()
412 model.set_state_dict(para_state_dict) #加载模型参数
413 model.eval() #验证模式
414 
415 accs = []
416 
417 for batch_id,data in enumerate(eval_loader()):#测试集
418     image=data[0]
419     label=data[1]     
420     predict=model(image)       
421     acc=paddle.metric.accuracy(predict,label)
422     accs.append(acc.numpy()[0])
423     avg_acc = np.mean(accs)
424 print("当前模型在验证集上的准确率为:",avg_acc)
425 
426 
427 # # 5、模型预测
428 
429 # In[14]:
430 
431 
432 import os
433 import zipfile
434 
435 def unzip_infer_data(src_path,target_path):
436     '''
437     解压预测数据集
438     '''
439     if(not os.path.isdir(target_path)):     
440         z = zipfile.ZipFile(src_path, 'r')
441         z.extractall(path=target_path)
442         z.close()
443 
444 
445 def load_image(img_path):
446     '''
447     预测图片预处理
448     '''
449     img = Image.open(img_path) 
450     if img.mode != 'RGB': 
451         img = img.convert('RGB') 
452     img = img.resize((224, 224), Image.BILINEAR)
453     img = np.array(img).astype('float32') 
454     img = img.transpose((2, 0, 1))  # HWC to CHW 
455     img = img/255                # 像素值归一化 
456     return img
457 
458 
459 infer_src_path = '/home/aistudio/data/data55032/archive_test.zip'
460 infer_dst_path = '/home/aistudio/data/archive_test'
461 unzip_infer_data(infer_src_path,infer_dst_path)
462 
463 
464 # In[15]:
465 
466 
467 '''
468 模型预测
469 '''
470 para_state_dict = paddle.load("MyDNN")
471 model = MyDNN()
472 model.set_state_dict(para_state_dict) #加载模型参数
473 model.eval() #训练模式
474 
475 #展示预测图片
476 infer_path='/home/aistudio/data/archive_test/alexandrite_3.jpg'
477 img = Image.open(infer_path)
478 plt.imshow(img)          #根据数组绘制图像
479 plt.show()               #显示图像
480 
481 #对预测图片进行预处理
482 infer_imgs = []
483 infer_imgs.append(load_image(infer_path))
484 infer_imgs = np.array(infer_imgs)
485 
486 label_dic = train_parameters['label_dict']
487 
488 for i in range(len(infer_imgs)):
489     data = infer_imgs[i]
490     dy_x_data = np.array(data).astype('float32')
491     dy_x_data=dy_x_data[np.newaxis,:, : ,:]
492     img = paddle.to_tensor (dy_x_data)
493     out = model(img)
494     lab = np.argmax(out.numpy())  #argmax():返回最大数的索引
495 
496     print("第{}个样本,被预测为：{},真实标签为：{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0]))
497         
498 print("结束")

　　数据集的话关注，私聊我！！！！！！

posted on 2023-11-05 12:10 学弟1 阅读(312) 评论(0) 编辑收藏举报

刷新页面返回顶部

winter

基于深度神经网络的宝石分类

导航

公告