Legen Sie den Checkpoint ein und werten Sie ein einzelnes Bild mit Tensorflow DNN aus

Für die Forschung an der Universität untersuche ich die oxford 17 Blumen alexnet Beispiel. Das Beispiel nutzt die API tflearn basierend auf Tensorflow. Das Training arbeitet sehr gut auf meinem GPU und erreicht eine Genauigkeit von ~ 97% nach einer Weile.

Leider ist die Bewertung von Einzelbildern noch nicht in tflearn, ich müsste modell.predict (…) verwenden, um alle meine Daten pro Batch vorherzusagen und über alle meine Testmenge zu schleifen und die Genauigkeit selbst zu berechnen.

  • Food101 SqueezeNet Caffe2 Anzahl der Iterationen
  • Verwirrt beim Umformen des Bildes
  • Die Verwendung oder API von tf.app.flags
  • Ein wiederverwendbares Tensorflow Faltungsnetzwerk
  • Erlangung einer Vorhersage in Keras
  • Tensorflow schreitet Argument ein
  • Mein Trainingscode bisher:

    ... import image_loader X, Y = image_loader.load_data(one_hot=True, shuffle=False) X = X.reshape(244,244) # Build network network = input_data(shape=[None, 224, 224, 3]) network = conv_2d(network, 96, 11, strides=4, activation='relu') network = max_pool_2d(network, 3, strides=2) network = local_response_normalization(network) network = conv_2d(network, 256, 5, activation='relu') network = max_pool_2d(network, 3, strides=2) network = local_response_normalization(network) network = conv_2d(network, 384, 3, activation='relu') network = conv_2d(network, 384, 3, activation='relu') network = conv_2d(network, 256, 3, activation='relu') network = max_pool_2d(network, 3, strides=2) network = local_response_normalization(network) network = fully_connected(network, 4096, activation='tanh') network = dropout(network, 0.5) network = fully_connected(network, 4096, activation='tanh') network = dropout(network, 0.5) network = fully_connected(network, 17, activation='softmax') network = regression(network, optimizer='momentum', loss='categorical_crossentropy', learning_rate=0.01) # Training model = tflearn.DNN(network, checkpoint_path='model_ba', max_checkpoints=1, tensorboard_verbose=0) model.fit(X, Y, n_epoch=3, validation_set=0.1, shuffle=True, show_metric=True, batch_size=32, snapshot_step=400, snapshot_epoch=False, run_id='ba_soccer_network') 

    Der Code speichert einen Checkpoint "model_ba" und auch das Netzwerk in Form einer .meta-Datei. Gibt es eine Möglichkeit, diesen gespeicherten Checkpoint zu laden und ein einzelnes Bild mit Tensorflow zu bewerten?

    Vielen Dank im Voraus, Arno

  • Vermeiden Sie das Einfügen von Duplikaten in die Python-Liste mit Verständnis
  • Transponieren Sie eine Matrix in Python [geschlossen]
  • Python mit Aufzählung innerhalb der Liste Verständnis
  • Summe-Elemente in Python-Liste nur, wenn Elemente in einer separaten Booleschen Liste True sind
  • List Verständnis in einem dict.fromkeys (SetA, ...)
  • Python-Liste Verständnisse, um mehrere Listen zu erstellen
  • One Solution collect form web for “Legen Sie den Checkpoint ein und werten Sie ein einzelnes Bild mit Tensorflow DNN aus”

    Für save: model.save ('name.tflearn')

    Für Last: model.load ('name.tflearn')

    Und zum Testen in Schleife laden Sie einfach das Modell und folgen Sie folgenden Code

     files_path = '/your/test/images/directory/path' img_files_path = os.path.join(files_path, '*.jpg') img_files = sorted(glob(img_files_path)) for f in img_files: try: img = Image.open(f).convert('RGB') img = ImageOps.fit(img, ((64, 64)), Image.ANTIALIAS) img_arr = np.array(img) img_arr = img_arr.reshape(-1, 64, 64, 3).astype("float") pred = model.predict(img_arr) print(" %s" % pred[0]) except: continue 
    Python ist die beste Programmiersprache der Welt.