python神經(jīng)網(wǎng)絡(luò)tensorflow利用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)
學(xué)習(xí)前言
在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中slim常用函數(shù)與如何訓(xùn)練、保存模型文章里已經(jīng)講述了如何使用slim訓(xùn)練出來一個(gè)模型，這篇文章將會(huì)講述如何預(yù)測(cè)。
載入模型思路
載入模型的過程主要分為以下四步：
1、建立會(huì)話Session；
2、將img_input的placeholder傳入網(wǎng)絡(luò)，建立網(wǎng)絡(luò)結(jié)構(gòu)；
3、初始化所有變量；
4、利用saver對(duì)象restore載入所有參數(shù)。
這里要注意的重點(diǎn)是，在利用saver對(duì)象restore載入所有參數(shù)之前，必須要建立網(wǎng)絡(luò)結(jié)構(gòu)，因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)著cpkt文件中的參數(shù)。
（網(wǎng)絡(luò)層具有對(duì)應(yīng)的名稱scope。）
實(shí)現(xiàn)代碼
在運(yùn)行實(shí)驗(yàn)代碼前，可以直接下載代碼，因?yàn)榇嬖谠S多依賴的文件
import tensorflow as tf
import numpy as np
from nets import Net
from tensorflow.examples.tutorials.mnist import input_data
def compute_accuracy(x_data,y_data):
global prediction
y_pre = sess.run(prediction,feed_dict={img_input:x_data})
correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
result = sess.run(accuracy,feed_dict = {img_input:x_data})
return result
mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
slim = tf.contrib.slim
# img_input的placeholder
img_input = tf.placeholder(tf.float32, shape = (None, 784))
img_reshape = tf.reshape(img_input,shape = (-1,28,28,1))
# 載入模型
sess = tf.Session()
Conv_Net = Net.Conv_Net()
# 將img_input的placeholder傳入網(wǎng)絡(luò)
prediction = Conv_Net.net(img_reshape)
# 載入模型
ckpt_filename = './logs/model.ckpt-20000'
# 初始化所有變量
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
# 恢復(fù)
saver.restore(sess, ckpt_filename)
print(compute_accuracy(mnist.test.images,mnist.test.labels))
運(yùn)行結(jié)果為:
0.9921
以上就是python神經(jīng)網(wǎng)絡(luò)tensorflow利用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)的詳細(xì)內(nèi)容，更多關(guān)于tensorflow模型預(yù)測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
- PyCharm提示No Python Interpreter的正確解決辦法
- pycharm遠(yuǎn)程連接服務(wù)器并配置python interpreter的方法
- python深度學(xué)習(xí)tensorflow訓(xùn)練好的模型進(jìn)行圖像分類
- Python實(shí)現(xiàn)自動(dòng)駕駛訓(xùn)練模型
- python神經(jīng)網(wǎng)絡(luò)AlexNet分類模型訓(xùn)練貓狗數(shù)據(jù)集
- python神經(jīng)網(wǎng)絡(luò)slim常用函數(shù)訓(xùn)練保存模型
- Python 實(shí)現(xiàn)LeNet網(wǎng)絡(luò)模型的訓(xùn)練及預(yù)測(cè)
- Python人工智能深度學(xué)習(xí)模型訓(xùn)練經(jīng)驗(yàn)總結(jié)
- python interpret庫(kù)訓(xùn)練模型助力機(jī)器學(xué)習(xí)
相關(guān)文章
Django Celery異步任務(wù)隊(duì)列的實(shí)現(xiàn)
這篇文章主要介紹了Django Celery異步任務(wù)隊(duì)列的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
Python 內(nèi)置變量和函數(shù)的查看及說明介紹
今天小編就為大家分享一篇Python 內(nèi)置變量和函數(shù)的查看及說明介紹，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-12-12
詳解Python常用標(biāo)準(zhǔn)庫(kù)之os模塊與shutil模塊
os系統(tǒng)模塊與shutil文件操作模塊是Python常用的標(biāo)準(zhǔn)庫(kù)，本文將通過示例詳細(xì)講解一下二者的使用，感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2022-06-06
Python中TCP協(xié)議的探索與實(shí)例解析
網(wǎng)絡(luò)編程在當(dāng)今數(shù)字化世界中扮演著至關(guān)重要的角色,本文將帶你深入了解 Python 中的 TCP 協(xié)議,介紹網(wǎng)絡(luò)編程的基礎(chǔ)知識(shí),并提供豐富的示例代碼,希望對(duì)大家有所幫助2023-12-12
pdf論文中python畫的圖Type 3 fonts字體不兼容的解決方案
這篇文章主要介紹了pdf論文中python畫的圖Type 3 fonts字體不兼容的解決方案，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
解決Numpy與Pytorch彼此轉(zhuǎn)換時(shí)的坑
這篇文章主要介紹了解決Numpy與Pytorch彼此轉(zhuǎn)換時(shí)的坑，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
眼看中秋又快到了，今天小編就利用python畫出月亮和月餅，感興趣的小伙伴一定要收藏起來送給遠(yuǎn)方的朋友呀2021-09-09
關(guān)于tensorflow和keras版本的對(duì)應(yīng)關(guān)系
這篇文章主要介紹了關(guān)于tensorflow和keras版本的對(duì)應(yīng)關(guān)系，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-06-06
今天小編就為大家分享一篇Python實(shí)現(xiàn)二維曲線擬合的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-12-12
使用sublime text3搭建Python編輯環(huán)境的實(shí)現(xiàn)
這篇文章主要介紹了使用sublime text3搭建Python編輯環(huán)境的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01