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.

  • Ist es möglich, Caffe-Modelle auf dem Datensatz auszuführen, der nicht in Datenquelle wie LMDB gespeichert ist?
  • Ein wiederverwendbares Tensorflow Faltungsnetzwerk
  • Die Verwendung oder API von tf.app.flags
  • Food101 SqueezeNet Caffe2 Anzahl der Iterationen
  • Tensorflow schreitet Argument ein
  • Random Cropping Datenvergrößerung Faltungsneuronale Netzwerke
  • 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

  • Pythonlisten-Verständnis, um zwei Werte in einer Iteration zu erzeugen
  • Elegante Möglichkeit, Elemente in einer Liste zu löschen, die keine Teilstrings hat, die in einer anderen Liste erscheinen
  • Wie mathematisch subtrahieren Elemente in zwei Listen in Python und nur die Ausgabe dieser Elemente, die eine Bedingung erfüllen?
  • Vermeiden Sie das Einfügen von Duplikaten in die Python-Liste mit Verständnis
  • Duplizieren Sie das Element in der Python-Liste
  • Wie man den Listennamen aus der Stringvariable verwendet
  • 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.