tensorflow 神经网络案例,tensorflow 预测模型

  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。

留言与评论(共有 条评论)
   
验证码: