怎么用TensorFlow訓練和識別/分類自定義圖片-創(chuàng)新互聯(lián)

小編給大家分享一下怎么用TensorFlow訓練和識別/分類自定義圖片，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

專業(yè)成都網(wǎng)站建設公司，做排名好的好網(wǎng)站，排在同行前面，為您帶來客戶和效益!創(chuàng)新互聯(lián)公司為您提供成都網(wǎng)站建設，五站合一網(wǎng)站設計制作，服務好的網(wǎng)站設計公司，網(wǎng)站設計、網(wǎng)站制作負責任的成都網(wǎng)站制作公司!

很多正在入門或剛?cè)腴TTensorFlow機器學習的同學希望能夠通過自己指定圖片源對模型進行訓練，然后識別和分類自己指定的圖片。但是，在TensorFlow官方入門教程中，并無明確給出如何把自定義數(shù)據(jù)輸入訓練模型的方法?，F(xiàn)在，我們就參考官方入門課程《Deep MNIST for Experts》一節(jié)的內(nèi)容(傳送門：https://www.tensorflow.org/get_started/mnist/pros)，介紹如何將自定義圖片輸入到TensorFlow的訓練模型。

在《Deep MNISTfor Experts》一節(jié)的代碼中，程序?qū)ensorFlow自帶的mnist圖片數(shù)據(jù)集mnist.train.images作為訓練輸入，將mnist.test.images作為驗證輸入。當學習了該節(jié)內(nèi)容后，我們會驚嘆卷積神經(jīng)網(wǎng)絡的超高識別率，但對于剛開始學習TensorFlow的同學，內(nèi)心可能會產(chǎn)生一個問號：如何將mnist數(shù)據(jù)集替換為自己指定的圖片源？譬如，我要將圖片源改為自己C盤里面的圖片，應該怎么調(diào)整代碼？

我們先看下該節(jié)課程中涉及到mnist圖片調(diào)用的代碼：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
batch = mnist.train.next_batch(50)
train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print('test accuracy %g' % accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

對于剛接觸TensorFlow的同學，要修改上述代碼，可能會較為吃力。我也是經(jīng)過一番摸索，才成功調(diào)用自己的圖片集。

要實現(xiàn)輸入自定義圖片，需要自己先準備好一套圖片集。為節(jié)省時間，我們把mnist的手寫體數(shù)字集一張一張地解析出來，存放到自己的本地硬盤，保存為bmp格式，然后再把本地硬盤的手寫體圖片一張一張地讀取出來，組成集合，再輸入神經(jīng)網(wǎng)絡。mnist手寫體數(shù)字集的提取方式詳見《如何從TensorFlow的mnist數(shù)據(jù)集導出手寫體數(shù)字圖片》。

將mnist手寫體數(shù)字集導出圖片到本地后，就可以仿照以下python代碼，實現(xiàn)自定義圖片的訓練：

#!/usr/bin/python3.5
# -*- coding: utf-8 -*- 
 
import os
 
import numpy as np
import tensorflow as tf
 
from PIL import Image
 
 
# 第一次遍歷圖片目錄是為了獲取圖片總數(shù)
input_count = 0
for i in range(0,10):
  dir = './custom_images/%s/' % i         # 這里可以改成你自己的圖片目錄，i為分類標簽
  for rt, dirs, files in os.walk(dir):
    for filename in files:
      input_count += 1
 
# 定義對應維數(shù)和各維長度的數(shù)組
input_images = np.array([[0]*784 for i in range(input_count)])
input_labels = np.array([[0]*10 for i in range(input_count)])
 
# 第二次遍歷圖片目錄是為了生成圖片數(shù)據(jù)和標簽
index = 0
for i in range(0,10):
  dir = './custom_images/%s/' % i         # 這里可以改成你自己的圖片目錄，i為分類標簽
  for rt, dirs, files in os.walk(dir):
    for filename in files:
      filename = dir + filename
      img = Image.open(filename)
      width = img.size[0]
      height = img.size[1]
      for h in range(0, height):
        for w in range(0, width):
          # 通過這樣的處理，使數(shù)字的線條變細，有利于提高識別準確率
          if img.getpixel((w, h)) > 230:
            input_images[index][w+h*width] = 0
          else:
            input_images[index][w+h*width] = 1
      input_labels[index][i] = 1
      index += 1
 
 
# 定義輸入節(jié)點，對應于圖片像素值矩陣集合和圖片標簽(即所代表的數(shù)字)
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
 
x_image = tf.reshape(x, [-1, 28, 28, 1])
 
# 定義第一個卷積層的variables和ops
W_conv1 = tf.Variable(tf.truncated_normal([7, 7, 1, 32], stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
 
L1_conv = tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='SAME')
L1_relu = tf.nn.relu(L1_conv + b_conv1)
L1_pool = tf.nn.max_pool(L1_relu, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
 
# 定義第二個卷積層的variables和ops
W_conv2 = tf.Variable(tf.truncated_normal([3, 3, 32, 64], stddev=0.1))
b_conv2 = tf.Variable(tf.constant(0.1, shape=[64]))
 
L2_conv = tf.nn.conv2d(L1_pool, W_conv2, strides=[1, 1, 1, 1], padding='SAME')
L2_relu = tf.nn.relu(L2_conv + b_conv2)
L2_pool = tf.nn.max_pool(L2_relu, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
 
 
# 全連接層
W_fc1 = tf.Variable(tf.truncated_normal([7 * 7 * 64, 1024], stddev=0.1))
b_fc1 = tf.Variable(tf.constant(0.1, shape=[1024]))
 
h_pool2_flat = tf.reshape(L2_pool, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
 
 
# dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
 
 
# readout層
W_fc2 = tf.Variable(tf.truncated_normal([1024, 10], stddev=0.1))
b_fc2 = tf.Variable(tf.constant(0.1, shape=[10]))
 
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2
 
# 定義優(yōu)化器和訓練op
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
train_step = tf.train.AdamOptimizer((1e-4)).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
 
 
with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
 
  print ("一共讀取了 %s 個輸入圖像， %s 個標簽" % (input_count, input_count))
 
  # 設置每次訓練op的輸入個數(shù)和迭代次數(shù)，這里為了支持任意圖片總數(shù)，定義了一個余數(shù)remainder，譬如，如果每次訓練op的輸入個數(shù)為60，圖片總數(shù)為150張，則前面兩次各輸入60張，最后一次輸入30張（余數(shù)30）
  batch_size = 60
  iterations = 100
  batches_count = int(input_count / batch_size)
  remainder = input_count % batch_size
  print ("數(shù)據(jù)集分成 %s 批, 前面每批 %s 個數(shù)據(jù)，最后一批 %s 個數(shù)據(jù)" % (batches_count+1, batch_size, remainder))
 
  # 執(zhí)行訓練迭代
  for it in range(iterations):
    # 這里的關鍵是要把輸入數(shù)組轉(zhuǎn)為np.array
    for n in range(batches_count):
      train_step.run(feed_dict={x: input_images[n*batch_size:(n+1)*batch_size], y_: input_labels[n*batch_size:(n+1)*batch_size], keep_prob: 0.5})
    if remainder > 0:
      start_index = batches_count * batch_size;
      train_step.run(feed_dict={x: input_images[start_index:input_count-1], y_: input_labels[start_index:input_count-1], keep_prob: 0.5})
 
    # 每完成五次迭代，判斷準確度是否已達到100%，達到則退出迭代循環(huán)
    iterate_accuracy = 0
    if it%5 == 0:
      iterate_accuracy = accuracy.eval(feed_dict={x: input_images, y_: input_labels, keep_prob: 1.0})
      print ('iteration %d: accuracy %s' % (it, iterate_accuracy))
      if iterate_accuracy >= 1:
        break;
 
  print ('完成訓練!')

上述python代碼的執(zhí)行結(jié)果截圖如下：

怎么用TensorFlow訓練和識別/分類自定義圖片

對于上述代碼中與模型構建相關的代碼，請查閱官方《Deep MNIST for Experts》一節(jié)的內(nèi)容進行理解。在本文中，需要重點掌握的是如何將本地圖片源整合成為feed_dict可接受的格式。其中最關鍵的是這兩行：

# 定義對應維數(shù)和各維長度的數(shù)組
input_images = np.array([[0]*784 for i in range(input_count)])
input_labels = np.array([[0]*10 for i in range(input_count)])

它們對應于feed_dict的兩個placeholder：

x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])

以上是“怎么用TensorFlow訓練和識別/分類自定義圖片”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關注創(chuàng)新互聯(lián)成都網(wǎng)站設計公司行業(yè)資訊頻道！

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

分享文章：怎么用TensorFlow訓練和識別/分類自定義圖片-創(chuàng)新互聯(lián)
當前鏈接：http://muchs.cn/article10/iccdo.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站設計公司、品牌網(wǎng)站設計、標簽優(yōu)化、App開發(fā)、定制開發(fā)、電子商務

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)

成都定制網(wǎng)站網(wǎng)頁設計