如何使用Tensorflow模型實現預測

如何使用Tensorflow模型實現預測？針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

模型文件：

預測圖片：

這里直接貼代碼，都有注釋，應該很好理解

import tensorflow as tf
import inference
 
image_size = 128 # 輸入層圖片大小
 
# 模型保存的路徑和文件名
MODEL_SAVE_PATH = "model/"
MODEL_NAME = "model.ckpt"
 
# 加載需要預測的圖片
image_data = tf.gfile.FastGFile("./data/test/d.png", 'rb').read()
 
# 將圖片格式轉換成我們所需要的矩陣格式，第二個參數為1，代表1維
decode_image = tf.image.decode_png(image_data, 1)
 
# 再把數據格式轉換成能運算的float32
decode_image = tf.image.convert_image_dtype(decode_image, tf.float32)
 
# 轉換成指定的輸入格式形狀
image = tf.reshape(decode_image, [-1, image_size, image_size, 1])
 
# 定義預測結果為logit值最大的分類，這里是前向傳播算法，也就是卷積層、池化層、全連接層那部分
test_logit = inference.inference(image, train=False, regularizer=None)
 
# 利用softmax來獲取概率
probabilities = tf.nn.softmax(test_logit)
 
# 獲取最大概率的標簽位置
correct_prediction = tf.argmax(test_logit, 1)
 
# 定義Savar類
saver = tf.train.Saver()
 
with tf.Session() as sess:
  sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))
 
  # 加載檢查點狀態，這里會獲取最新訓練好的模型
  ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
  if ckpt and ckpt.model_checkpoint_path:
    # 加載模型和訓練好的參數
    saver.restore(sess, ckpt.model_checkpoint_path)
    print("加載模型成功：" + ckpt.model_checkpoint_path)
 
    # 通過文件名得到模型保存時迭代的輪數.格式：model.ckpt-6000.data-00000-of-00001
    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
 
    # 獲取預測結果
    probabilities, label = sess.run([probabilities, correct_prediction])
 
    # 獲取此標簽的概率
    probability = probabilities[0][label]
 
    print("After %s training step(s),validation label = %d, has %g probability" % (global_step, label, probability))
  else:
    print("模型加載失敗！" + ckpt.model_checkpoint_path)

運行輸出結果：

（標簽為3，概率為0.984478）

標簽字典：

3對應小寫d，識別正確。

其他的圖片的預測結果：

預測圖片1：

標簽字典：

關于如何使用Tensorflow模型實現預測問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。