python tensorflow学习之识别单张图片的实现的示例

假设我们已经安装好了tensorflow。

一般在安装好tensorflow后，都会跑它的demo，而最常见的demo就是手写数字识别的demo,也就是mnist数据集。

然而我们仅仅是跑了它的demo而已，可能很多人会有和我一样的想法，如果拿来一张数字图片，如何应用我们训练的网络模型来识别出来，下面我们就以mnist的demo来实现它。

1.训练模型

首先我们要训练好模型，并且把模型model.ckpt保存到指定文件夹

saver = tf.train.Saver()   saver.save(sess, "model_data/model.ckpt") 

将以上两行代码加入到训练的代码中，训练完成后保存模型即可，如果这部分有问题，你可以百度查阅资料，tensorflow怎么保存训练模型，在这里我们就不罗嗦了。

2.测试模型

我们训练好模型后，将它保存在了model_data文件夹中，你会发现文件夹中出现了4个文件

然后，我们就可以对这个模型进行测试了，将待检测图片放在images文件夹下，执行

# -*- coding:utf-8 -*-  import cv2 import tensorflow as tf import numpy as np from sys import path path.append('../..') from common import extract_mnist  #初始化单个卷积核上的参数 def weight_variable(shape):   initial = tf.truncated_normal(shape, stddev=0.1)   return tf.Variable(initial)  #初始化单个卷积核上的偏置值 def bias_variable(shape):   initial = tf.constant(0.1, shape=shape)   return tf.Variable(initial)  #输入特征x，用卷积核W进行卷积运算，strides为卷积核移动步长， #padding表示是否需要补齐边缘像素使输出图像大小不变 def conv2d(x, W):   return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')  #对x进行最大池化操作，ksize进行池化的范围， def max_pool_2x2(x):   return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')   def main():      #定义会话   sess = tf.InteractiveSession()      #声明输入图片数据，类别   x = tf.placeholder('float',[None,784])   x_img = tf.reshape(x , [-1,28,28,1])    W_conv1 = weight_variable([5, 5, 1, 32])   b_conv1 = bias_variable([32])   W_conv2 = weight_variable([5,5,32,64])   b_conv2 = bias_variable([64])   W_fc1 = weight_variable([7*7*64,1024])   b_fc1 = bias_variable([1024])   W_fc2 = weight_variable([1024,10])   b_fc2 = bias_variable([10])    saver = tf.train.Saver(write_version=tf.train.SaverDef.V1)    saver.restore(sess , 'model_data/model.ckpt')    #进行卷积操作，并添加relu激活函数   h_conv1 = tf.nn.relu(conv2d(x_img,W_conv1) + b_conv1)   #进行最大池化   h_pool1 = max_pool_2x2(h_conv1)    #同理第二层卷积层   h_conv2 = tf.nn.relu(conv2d(h_pool1,W_conv2) + b_conv2)   h_pool2 = max_pool_2x2(h_conv2)      #将卷积的产出展开   h_pool2_flat = tf.reshape(h_pool2,[-1,7*7*64])   #神经网络计算，并添加relu激活函数   h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1) + b_fc1)    #输出层，使用softmax进行多分类   y_conv=tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2)    # mnist_data_set = extract_mnist.MnistDataSet('../../data/')   # x_img , y = mnist_data_set.next_train_batch(1)   im = cv2.imread('images/888.jpg',cv2.IMREAD_GRAYSCALE).astype(np.float32)   im = cv2.resize(im,(28,28),interpolation=cv2.INTER_CUBIC)   #图片预处理   #img_gray = cv2.cvtColor(im , cv2.COLOR_BGR2GRAY).astype(np.float32)   #数据从0~255转为-0.5~0.5   img_gray = (im - (255 / 2.0)) / 255   #cv2.imshow('out',img_gray)   #cv2.waitKey(0)   x_img = np.reshape(img_gray , [-1 , 784])    print x_img   output = sess.run(y_conv , feed_dict = {x:x_img})   print 'the y_con :  ', '/n',output   print 'the predict is : ', np.argmax(output)    #关闭会话   sess.close()  if __name__ == '__main__':   main()