Tensorflow笔记——可视化预测结果

本章的前期工作以及神经网络的搭建：https://blog.csdn.net/ileopard/article/details/102763645

一、可视化界面设计

    使用 tkinter来设计可视化界面

1.新建窗体

from tkinter import Label, Menu, DoubleVar, Button, Tk, filedialog
window = Tk()  # 创建窗口
    window.title("用户页面")  # 窗口标题
    window.geometry('240x360')  # 窗口大小，小写字母x

    # 这里可以在窗体内添加其他的控件

    # 以上是窗口的主体
    window.mainloop()  # 结束（不停循环刷新）

2.添加控件（Label, Menu, DoubleVar, Button）

# 最后这个菜单栏没有用到，但是还是把它放在这，以后可能会用到
# ---------------窗口菜单栏
    menubar = Menu(window)  # 在窗口上添加菜单栏
    filemenu = Menu(menubar, tearoff=0)  # filemenu放在menu中
    submenu = Menu(filemenu)  # submenu放在filemenu中
    ssubmenu = Menu(submenu)  # ssubmenu放在submenu中
    menubar.add_cascade(label='File', menu=filemenu)  # add_cascade用来创建下拉栏，filemenu命名为File
    filemenu.add_command(label='Open', command=Open_image)  # add_command用来创建命令栏，不可有子项
    filemenu.add_cascade(label='1', menu=submenu)  # submenu 命名为1
    submenu.add_cascade(label='2', menu=ssubmenu)  # ssubmenu 命名为2
    window.config(menu=menubar)  # 创建完毕
    # --------------------------

下面是本次所用到的控件：

# label，如果要在label中设置图片，记得一定要设置参数bitmap
Input_image = Label(width=200,
                        height=200,
                        bitmap='warning',
                        bg='white').grid(row=0, column=0, padx=20)



# 使用grid布局，像表格一样的布局，其中padx表示x距离外部边界的大小，ipadx表示与内部的
# sticky表示位置，w表示西，e表示东
testLabel = Label(window,
                  text="testAccuracy: ",  # 文本
                  font=('Arial', 10),  # 字体和大小
                  width=10,
                  height=2,  # 字体所占的宽度和高度
                  ).grid(row=1, column=0, sticky='w', pady=5, padx=36)

testAccuracy = Label(window,
                     textvar=textTest,  # 文本
                     font=('Arial', 10),  # 字体和大小
                     width=10,
                     height=2,  # 字体所占的宽度和高度
                     bg='white'
                     ).grid(row=1, column=0, sticky='e', pady=5, padx=36)
textTest.set(0.0)


# 使用Button。
startB = Button(
        window,
        text='开始',
        width=8, height=2,
        command=application  # 执行函数体，而不是得到函数执行的结果
    ).grid(row=3, column=0, pady=5)

这样大致就做好了界面设计

二、具体功能的实现

大致流程：

下面主要进行三步：

• 从电脑中输入图片（Open_image()）
• 预处理输入图片（）
• 加载之前训练好的模型进行预测

1.从电脑中输入图片

• 使用filedialog从电脑中选择图片，返回绝对路径。
• 之后通过该路径，打开图片，将其放入可视化界面的Input_image中。
• 最后返回该图片

# 打开电脑中的图片
def Open_image():
    global Input_image, File
    File = filedialog.askopenfilename(parent=window,
                                      initialdir=ImagePath,
                                      title='Choose an image.')
    img = Image.open(File)
    img_resized = img.resize((28 * 4, 28 * 4), Image.ANTIALIAS)
    filename = ImageTk.PhotoImage(img_resized)
    Input_image = Label(image=filename)
    Input_image.image = filename
    Input_image.grid(row=0, column=0)
    return img_resized

2.预处理输入图片

• 将图片resize为28*28大小
• 将图片灰度化
• 由于模型的要求是黑底白字，但输入的图是白底黑字，所以需要对每个像素点的值改为 255 减去原值以得到互补的反色。
• 把图片reshape成一维数组（784个像素点）
• 将现有的RGB图从0-255之间的数变为0-1之间的浮点数
• 返回预处理好的图片

# 预处理函数
def predicted(img):
    # 将图片resize为28*28大小
    reIm = img.resize((28, 28), Image.ANTIALIAS)
    # 将图片灰度化
    im_arr = np.array(reIm.convert('L'))
    threshold = 50  # 设定合理的阈值
    # 二值化
    for i in range(28):
        for j in range(28):
            im_arr[i][j] = 255 - im_arr[i][j]
            if im_arr[i][j] < threshold:
                im_arr[i][j] = 0
            else:
                im_arr[i][j] = 255
    # 将图片转化为一维数组（784个像素点）
    nm_arr = im_arr.reshape([1, 784])
    nm_arr = nm_arr.astype(np.float32)
    # 将现有的RGB图从0-255之间的数变为0-1之间的浮点数
    img_ready = np.multiply(nm_arr, 1.0 / 255.0)
    return img_ready

3.加载模型进行预测

• 复现之前定义的计算图（神经网络），记得占位
• 通过checkpoint文件找到最新保存的模型位置
• 进行预测，返回预测值

# 加载模型
def restore_model(testPicArr):
    # 复现之前定义的计算图
    with tf.Graph().as_default() as g:
        x = tf.placeholder(tf.float32, [None, mnist_forward.INPUT_NODE])
        y_ = tf.placeholder(tf.float32, [None, mnist_forward.OUTPUT_NODE])
        y = mnist_forward.forward(x, None)
        # 得到概率最大的预测值
        preValue = tf.argmax(y, 1)

        # 计算模型在测试集上的准确率
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        # 实现滑动平均模型，参数MOVING_AVERAGE_DECAY用于控制模型更新的速度。训练过程会对每一个变量维护一个影子变量。
        # 这个影子变量的初始值就是相应变量的初始值，每次更新时，影子变量就会随之更新
        variable_averages = tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
        variables_to_restore = variable_averages.variables_to_restore()
        saver = tf.train.Saver(variables_to_restore)

        with tf.Session() as sess:
            # 通过checkpoint文件找到最新保存的模型位置
            ckpt = tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
            if ckpt and ckpt.model_checkpoint_path:
                saver.restore(sess, ckpt.model_checkpoint_path)
                preValue = sess.run(preValue, feed_dict={x: testPicArr})
                mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
                accuracy_score = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
                textTest.set(accuracy_score)
                return preValue
            else:
                print("No checkpoint file found")
                return -1

三、预测结果

这样可视化预测就完成了。

但是有一个问题就是该模型只能用于预测白底黑字的手写数字图片，还需要改进。