tensorflow 神经网络案例,tensorflow 预测模型

　　本文主要介绍python神经网络tensorflow，使用训练好的模型进行预测。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010学习前言加载模型思想实现代码

目录

　　在神经网络学习中，关于slim的常用函数以及如何训练和保存模型的文章已经描述了如何使用slim来训练一个模型，本文将描述如何对其进行预测。

学习前言

　　加载模型的过程主要分为以下四个步骤：

　　1.建立会话session；

　　2.将img_input的占位符传入网络，建立网络结构；

　　3.初始化所有变量；

　　4.使用保护对象还原加载所有参数。

　　这里需要注意的是，必须在使用saver对象还原加载所有参数之前建立网络结构，因为网络结构与cpkt文件中的参数相对应。

　　(网络层有相应的名称范围。)

载入模型思路

　　在运行实验代码之前，可以直接下载代码，因为有很多依赖文件。

　　将张量流作为tf导入

　　将numpy作为np导入

　　从网络导入网络

　　从tensor flow . examples . tutorials . Mn ist导入输入数据

　　定义计算精度(x数据，y数据):

　　全球预测

　　y_pre=sess.run(预测，feed _ dict={ img _ input : x _ data })

　　correct _ prediction=TF . equal(TF . arg _ max(y _ data，1)，tf.arg_max(y_pre，1))

　　准确度=TF . reduce _ mean(TF . cast(correct _ prediction，tf.float32))

　　result=sess.run(精度，feed _ dict={ img _ input : x _ data })

　　回送结果

　　mnist=input _ data . read _ data _ sets( MNIST _数据，one_hot=真)

　　slim=tf.contrib.slim

　　# img_input的占位符

　　img _ input=TF . placeholder(TF . float 32，shape=(None，784))

　　img _ shape=TF . shape(img _ input，shape=(-1，28，28，1))

　　#加载模型

　　sess=tf。会话()

　　Conv网=网。Conv网()

　　#将img_input的占位符传入网络

　　预测=Conv_Net.net(img_reshape)

　　#加载模型

　　ckpt_filename=。/logs/model.ckpt-20000

　　#初始化所有变量

　　sess . run(TF . global _ variables _ initializer())

　　saver=tf.train.Saver()

　　#恢复

　　saver.restore(sess，ckpt_filename)

　　print(compute _ accuracy(Mn ist . test . images，mnist.test.labels))

　　结果是：

　　0.9921

　　以上是python神经网络tensorflow利用训练好的模型进行预测的详细内容。更多关于tensorflow模型预测的信息，请关注盛行IT软件开发工作室的其他相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。