python深度神经网络tensorflow练习好一点的实体模型开展图像分类

Python深度神经网络TensorFlow练习——图像分类实例详细说明

我是本际云服务器推荐网的小编小本本，今天给大家介绍Python深度神经网络TensorFlow练习的图像分类实例。Google在ImageNet图象数据库系统上练习好了一个Inception-v3实体模型，我们可以用来进行图像分类。

下载实体模型和文档

你可以从以下链接中免费下载实体模型和相关文档：
https://pan.baidu.com/s/1XGfwYer5pIEDkpM3nM6o2A
提取码：hu66

下载完毕后，解压缩，你将获得多个文档。其中，classify_image_graph_def.pb文件是练习好的Inception-v3实体模型，imagenet_synset_to_human_label_map.txt是类型文档。

使用实体模型进行图像分类

我们使用以下代码对一张图片进行分类识别：

import tensorflow as tf
import numpy as np
import re
import os

model_dir = 'D:/tf/model/'
image = 'd:/cat.jpg'

class NodeLookup(object):
    def __init__(self,
                 label_lookup_path=None,
                 uid_lookup_path=None):
        if not label_lookup_path:
            label_lookup_path = os.path.join(
                model_dir, 'imagenet_2012_challenge_label_map_proto.pbtxt')
        if not uid_lookup_path:
            uid_lookup_path = os.path.join(
                model_dir, 'imagenet_synset_to_human_label_map.txt')
        self.node_lookup = self.load(label_lookup_path, uid_lookup_path)

    def load(self, label_lookup_path, uid_lookup_path):
        if not tf.gfile.Exists(uid_lookup_path):
            tf.logging.fatal('File does not exist %s', uid_lookup_path)
        if not tf.gfile.Exists(label_lookup_path):
            tf.logging.fatal('File does not exist %s', label_lookup_path)
        proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
        uid_to_human = {}
        p = re.compile(r'[nd]*[S,]*')
        for line in proto_as_ascii_lines:
            parsed_items = p.findall(line)
            uid = parsed_items[0]
            human_string = parsed_items[2]
            uid_to_human[uid] = human_string

        node_id_to_uid = {}
        proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
        for line in proto_as_ascii:
            if line.startswith('target_class:'):
                target_class = int(line.split(':')[1])
            if line.startswith('target_class_string:'):
                target_class_string = line.split(':')[1]
                node_id_to_uid[target_class] = target_class_string[1:-2]

        node_id_to_name = {}
        for key, val in node_id_to_uid.items():
            if val not in uid_to_human:
                tf.logging.fatal('Failed to locate: %s', val)
            name = uid_to_human[val]
            node_id_to_name[key] = name

        return node_id_to_name

    def id_to_string(self, node_id):
        if node_id not in self.node_lookup:
            return ''
        return self.node_lookup[node_id]

def create_graph():
    with tf.gfile.FastGFile(os.path.join(
            model_dir, 'classify_image_graph_def.pb'), 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')

#读取训练好的Inception-v3模型来创建graph
def classify_image():
    #读取图片
    image_data = tf.gfile.FastGFile(image, 'rb').read()
    #创建graph
    create_graph()
    sess = tf.Session()
    #Inception-v3模型的最后一层softmax的输出
    softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')
    #输入图像数据，得到softmax概率值（一个shape=(1,1008)的向量）
    predictions = sess.run(
        softmax_tensor, {'DecodeJpeg/contents:0': image_data})
    #(1,1008)->(1008,)
    predictions = np.squeeze(predictions)
    #ID-->English文本label
    node_lookup = NodeLookup()
    #取出前5个概率最大的值（top-5)
    top_5 = predictions.argsort()[-5:][::-1]
    for node_id in top_5:
        human_string = node_lookup.id_to_string(node_id)
        score = predictions[node_id]
        print('%s (score=%.5f)' % (human_string, score))
    sess.close()

最终输出结果为：

tigercat (score=0.40316)
Egyptiancat (score=0.21686)
tabby,tabbycat (score=0.21348)
lynx, catamount (score=0.01403)
Persiancat (score=0.00394)

这些结果显示了图片属于哪些类别及其相应的概率值。

希望这篇文章能够为大家提供一些有用的信息，让大家的TensorFlow练习有所进步，更好地进行图像分类。祝大家工作顺利，早日涨薪！