验证码识别4（整体训练）——验证部分

上面我们已经得到了模型文件，接下来我们需要验证我们的网络是否准确：

给出验证的代码（需要改动的是模型的路径，这里使用测试集test.tfrecord）：

# coding: utf-8
import tensorflow as tf
from PIL import Image
from nets import nets_factory
import matplotlib.pyplot as plt

# In[2]:

# 不同字符数量
CHAR_SET_LEN = 40
# 图片高度
IMAGE_HEIGHT = 60
# 图片宽度
IMAGE_WIDTH = 160
# 批次
BATCH_SIZE = 1
# tfrecord文件存放路径
TFRECORD_FILE = "D:/微云同步/医学/验证码识别/使用一个标签来训练/test.tfrecords"

# placeholder
x = tf.placeholder(tf.float32, [None, 224, 224])
y = tf.placeholder(tf.float32, [None])
# 学习率
lr = tf.Variable(0.6, dtype=tf.float32)
# 从tfrecord读出数据
def read_and_decode(filename):
    # 根据文件名生成一个队列
    filename_queue = tf.train.string_input_producer([filename])
    reader = tf.TFRecordReader()
    # 返回文件名和文件
    _, serialized_example = reader.read(filename_queue)
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'image': tf.FixedLenFeature([], tf.string),
                                           'label': tf.FixedLenFeature([], tf.int64)})
    # 获取图片数据
    image = tf.decode_raw(features['image'], tf.uint8)
    # tf.train.shuffle_batch必须确定shape
    image2 = tf.reshape(image, [224, 224])
    image = tf.reshape(image, [224, 224])
    # 图片预处理
    image = tf.cast(image, tf.float32) / 255.0
    image = tf.subtract(image, 0.5)
    image = tf.multiply(image, 2.0)
    # 获取label
    label= tf.cast(features['label'], tf.float64)
    return image,image2, label

# 获取图片数据和标签
image,image2,label = read_and_decode(TFRECORD_FILE)


# 使用shuffle_batch可以随机打乱
image_batch, image_raw,label_batch = tf.train.shuffle_batch(
    [image,image2,label], batch_size=BATCH_SIZE,
    capacity=50000, min_after_dequeue=10000, num_threads=1)

# 定义网络结构
train_network_fn = nets_factory.get_network_fn(
    'alexnet_v2',
    num_classes=CHAR_SET_LEN,
    weight_decay=0.0005,
    is_training=True)

with tf.Session() as sess:
    # inputs: a tensor of size [batch_size, height, width, channels]
    X = tf.reshape(x, [BATCH_SIZE, 224, 224, 1])
    # 数据输入网络得到输出值
    logits, end_points = train_network_fn(X)

    logits0 = tf.slice(logits, [0, 0], [-1, 10])
    logits1 = tf.slice(logits, [0, 10], [-1, 10])
    logits2 = tf.slice(logits, [0, 20], [-1, 10])
    logits3 = tf.slice(logits, [0, 30], [-1, 10])

    predict0 = tf.argmax(logits0, 1)
    predict1 = tf.argmax(logits1, 1)
    predict2 = tf.argmax(logits2, 1)
    predict3 = tf.argmax(logits3, 1)
    qian = y / 1000 % 10
    bai = y / 100 % 10
    shi = y / 10 % 10
    ge = y % 10
    one_hot_labels0 = tf.one_hot(indices=tf.cast(qian, tf.int32), depth=10)
    one_hot_labels1 = tf.one_hot(indices=tf.cast(bai, tf.int32), depth=10)
    one_hot_labels2 = tf.one_hot(indices=tf.cast(shi, tf.int32), depth=10)
    one_hot_labels3 = tf.one_hot(indices=tf.cast(ge, tf.int32), depth=10)
    label_40 = tf.concat([one_hot_labels0, one_hot_labels1, one_hot_labels2, one_hot_labels3], axis=1)

    # 初始化
    sess.run(tf.global_variables_initializer())
    # 调用模型
    saver = tf.train.Saver()
    saver.restore(sess, 'D:/微云同步/医学/验证码识别/使用一个标签来训练/-13000')
    # 创建一个协调器，管理线程
    coord = tf.train.Coordinator()
    # 启动QueueRunner, 此时文件名队列已经进队
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)

    for i in range(5):
        # 获取一个批次的数据和标签
        b_image,image_raw2,b_label = sess.run([image_batch,image_raw,label_batch])
        #print(b_label.shape)
        img = Image.fromarray(image_raw2[0], 'L')
        plt.imshow(img)
        plt.axis('off')
        plt.show()
        # 打印标签
        print('label:',b_label)
        # 优化模型
        label0, label1, label2, label3 = sess.run([predict0, predict1, predict2, predict3], feed_dict={x: b_image})
        # 打印预测值
        print('predict:', label0, label1, label2, label3)
        # result = sess.run(logits, feed_dict={x: b_image, y: b_label})
        # print('result:',result)
    # 通知其他线程关闭
    coord.request_stop()
    # 其他所有线程关闭之后，这一函数才能返回
    coord.join(threads)

运行之后的结果图，效果还是不错的：