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?
  • Cython: Transponieren Sie eine Erinnerungsansicht
  • Food101 SqueezeNet Caffe2 Anzahl der Iterationen
  • Random Cropping Datenvergrößerung Faltungsneuronale Netzwerke
  • Verwirrt beim Umformen des Bildes
  • Tensorflow - Ein Modell speichern
  • 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

  • Python-Listen-Verständnis, mit einzigartigen Gegenständen
  • Python verschachteltes Listenverständnis
  • Die Suche nach Elementen in Python-Assoziationslisten effizient
  • Vermeiden Sie das Einfügen von Duplikaten in die Python-Liste mit Verständnis
  • Python - finden Sie inkrementelle nummerierte Sequenzen mit einem Listenverständnis
  • Filterelemente aus der Liste der Listen in Python?
  • 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.