上一篇博客介绍了怎么获取inception v3模型数据,现在我们用下载好的模型进行简单的图片分类实验。
import tensorflow as tf import os import numpy as np import re from PIL import Image import matplotlib.pyplot as plt class NodeLookup(object): def __init__(self): label_lookup_path='inception_model/imagenet_2012_challenge_label_map_proto.pbtxt' uid_lookup_path='inception_model/imagenet_synset_to_human_label_map.txt' self.node_lookup=self.load(label_lookup_path, uid_lookup_path) def load(self, label_lookup_path, uid_lookup_path): #加载分类字符串n************对应分类名称的文件 proto_as_ascii_lines=tf.gfile.GFile(uid_lookup_path).readlines() uid_to_human={} #一行一行读取数据 for line in proto_as_ascii_lines: #去掉换行符 line=line.strip('\n') #按照‘\t’分割 parsed_items=line.split('\t') #获取分类编号 uid=parsed_items[0] #获取分类名称 human_string=parsed_items[1] #保存编号字符串n********与分类名称的映射关系 uid_to_human[uid]=human_string #加载分类字符串n**********对应分类编号1-1000的文件 proto_as_ascii=tf.gfile.GFile(label_lookup_path).readlines() node_id_to_uid={} for line in proto_as_ascii: if line.startswith(' target_class:'): #获取分类编号1-1000 target_class=int(line.split(':')[1]) if line.startswith(' target_class_string:'): #获取编号字符串n********* target_class_string=line.split(':')[1] #保存分类编号1-1000与编号字符串n*******映射关系 node_id_to_uid[target_class]=target_class_string[2:-2] #建立分类编号1-1000对应分类名称的映射关系 node_id_to_name={} for key,val in node_id_to_uid.items(): #获取分类名称 name=uid_to_human[val] node_id_to_name[key]=name return node_id_to_name #传入分类编号1-1000返回分类名称 def id_to_string(self, node_id): if node_id not in self.node_lookup: return '' return self.node_lookup[node_id] #创建一个图来放google训练好的模型 with tf.gfile.FastGFile('inception_model/classify_image_graph_def.pb', 'rb') as f: graph_def=tf.GraphDef() graph_def.ParseFromString(f.read()) tf.import_graph_def(graph_def, name='') with tf.Session() as sess: softmax_tensor=sess.graph.get_tensor_by_name('softmax:0') #遍历目录 for root,dirs,files in os.walk('images/'): for file in files: #载入图片 image_data=tf.gfile.FastGFile(os.path.join(root,file), 'rb').read() predictions=sess.run(softmax_tensor, {'DecodeJpeg/contents:0' : image_data}) #图片格式是jpg格式 predictions=np.squeeze(predictions) #把结果转换为1维数据 #打印图片路径及名称 print() image_path=os.path.join(root,file) print(image_path) #显示图片 ''' img=Image.open(image_path) plt.imshow(img) plt.axis('off') plt.show() ''' #排序 top_k=predictions.argsort()[-5:][::-1] node_lookup=NodeLookup() for node_id in top_k: #获取分类名称 human_string=node_lookup.id_to_string(node_id) #获取该分类的置信度 score=predictions[node_id] print('%s (score=%.5f)' % (human_string, score))
目录:
- tensorflow简介、目录
- tensorflow中的图(02-1)
- tensorflow变量的使用(02-2)
- tensorflow中的Fetch、Feed(02-3)
- tensorflow版helloworld---拟合线性函数的k和b(02-4)
- tensorflow非线性回归(03-1)
- MNIST手写数字分类simple版(03-2)
- 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数(log-likelihood cost)(04-1)
- 多层网络通过防止过拟合,增加模型的准确率(04-2)
- 修改优化器进一步提升准确率(04-3)
- 手写数字识别-卷积神经网络cnn(06-2)
- 循环神经网络rnn与长短时记忆神经网络简述(07-2)
- 循环神经网络lstm代码实现(07-3)
- tensorflow模型保存和使用08
- 下载inception v3 google训练好的模型并解压08-3
- 使用inception v3做各种图像分类识别08-4
- word2vec模型训练简单案例
- word2vec+textcnn文本分类简述及代码