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。