python识别简单训练模型_Tensorflow导入训练模型进行识别（附代码）

最近在做李宏毅的深度学习的作业，导入模型的时候，发现，我在导入模型进行预测时，需要重新手动构建网络进行检测，这样显得十分不“智能”。之前在比赛中一直是使用这种方法，但是由于当初比较忙，并没有深究这个问题。现在，学习了一下，发现使用Tensorflow可以用两种方法进行预测。

首先，我们来讲一下，如何将如何加载模型：

在TensorFlow中，加载模型的方法：

with tf.Session() as sess:

saver = tf.train.Saver()

saver.restore(sess, 'path_of_model')

接下来，我们看一下加载模型并预测的方法

一、手动重写网络模型，进行检测

顾名思义，就是在加载自己训练的模型之前，重新手写一遍自己用来训练的网络，将图像的特征提取处理，然后得到feature map后传入模型进行预测，然我们来看看代码吧：

data = tf.placeholder(tf.float32, [None, 28*28])

label = tf.placeholder(tf.float32, [None, 10])

keep_prob = tf.placeholder(tf.float32)

image = tf.reshape(data, [-1, 28, 28, 1])

# conv1

W_conv1 = Weights([5, 5, 1, 6])

B_conv1 = Bias([6])

conv1 = tf.nn.conv2d(image, W_conv1, strides=