TensorFlow的训练结果应用

1、定义训练模型

    加载模型结构，模型结构必须与训练的模型结构一致。

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

2、加载模型权重

     加载训练保存的cp.ckpt文件，训练过程可以参考前一篇文章“基于卷积神经网络（CNN）的猫狗识别系统”。

checkpoint_path = "D:\pycharm\pythonProject1\cp.ckpt"
model.load_weights(checkpoint_path)

3、加载并预测图片

def predict_image(file_path):
    img = image.load_img(file_path, target_size=(150, 150))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    images = np.vstack([x])
    classes = model.predict(images, batch_size=10)
    return "狗" if classes[0]>0.5 else "猫"

4、页面搭建

   使用Qt-designer搭建一个简单的操作页面。

from home_ui import Ui_MainWindow as window
from PySide2 import QtWidgets, QtGui
import sys
# from judgeImage import JudgeImage as model
import judgeImage as model
class mainWindow(QtWidgets.QMainWindow, window):
    def __init__(self):
        super().__init__()
        self.file_name = None
        self.setupUi(self)
        # 选择文件按钮的点击事件连接到自定义方法
        self.selectFile.clicked.connect(self.handle_selectIo)
        # 开始预测按钮的点击事件连接到自定义方法
        self.biginTrain.clicked.connect(self.train)

    # 点击选择文件按钮时执行的操作
    def handle_selectIo(self):
        # 设置文件过滤器
        filters = "jpg files (*.jpg);;png files (*.png))"
        # 获取用户选择的文件名
        self.file_name, _ = QtWidgets.QFileDialog.getOpenFileName(
            self,
            "选择文件",
            "",  # 起始路径，空字符串表示当前目录
            filters  # 文件过滤器
        )
        # 将文件名显示在界面上
        self.fileName.setText(self.file_name)
        # 显示所选文件的图像
        self.display_image()

    # 显示所选文件的图像
    def display_image(self):
        pixmap = QtGui.QPixmap(self.file_name)
        self.imageView.setPixmap(pixmap.scaled(self.imageView.size()))

    # 点击开始预测按钮时执行的操作
    def train(self):
        # 如果用户没有选择文件，弹出警告提示框并返回
        if self.file_name is None:
            QtWidgets.QMessageBox.warning(self, "警告", "请先选择文件！")
            return
        # 实例化 judgeImage 类并进行预测
        prediction = model.predict_image(self.file_name)
        print("预测结果为：", prediction)
        self.result.setText(prediction)

if __name__ =='__main__':
    app = QtWidgets.QApplication(sys.argv)
    temp = mainWindow()
    temp.show()
    sys.exit(app.exec_())

5、结果展示