Tensorflow2.0学习笔记-数字图片分类

数字图片分类

使用我们之前使用mnsit训练的模型，对手写图片进行实际识别。
本次课程中，需要使用model.predict() 函数，其中函数的输入参数为待测试图片特征，包括图片总数，宽，高。通过训练好的模型，预测我们输入图片的类别。
由于训练时我们使用的是28 * 28的图片，所以在预测时，我们要将图片化为28 * 28的图片。

代码如下：

from PIL import Image
import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt
model_save_path = './checkpoint/mnist.ckpt'

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])
# 加载模型参数
model.load_weights(model_save_path)
# 输入需要预测的次数
preNum = int(input("input the number of test pictures:"))
# 进行循环预测
for i in range(preNum):
    image_path = input("the path of test picture:")
    img = Image.open(image_path)
    img = img.resize((28, 28), Image.ANTIALIAS)  # 将图片化为28*28的图片。
    img_arr = np.array(img.convert('L'))
# 查看图片缩减后用于测试的图片
    plt.imshow(img_arr, cmap='gray')
    plt.show()
# 由于使用mnist训练集进行训练时，训练集中的图片全是高对比的二值图，
# 所以我们在测试时，也可以将图片改变为只有0和255的高亮度对比图片，提高准确率
    for h in range(28):
        for j in range(28):
            if img_arr[h][j] <= 200:
                img_arr[h][j] = 255
            else:
                img_arr[h][j] = 0
  
    img_arr = img_arr / 255.0   # 归一化
    print("img_arr:", img_arr.shape)
    x_predict = img_arr[tf.newaxis, ...]  # 将输入的二维数组，转换成三维数组，
                                          # 因为神经网络的输入特征shape（图片总数，宽，高）
    print("x_predict:", x_predict.shape)
    result = model.predict(x_predict)  # 获取预测结果
    print(result)
    pred = tf.argmax(result, axis=1)
    
    print('\n')
    tf.print(pred)

使用以上代码可以准确的确认出输入图片的类别。可以自己手写图片进行识别，但是要书写规范居中，这样验证准确率会更高。
实验输出结果：首先输入测试次数，再输入测试图片名称。

input the number of test pictures:100
the path of test picture:test.png

输入图片为一张图为9。

得到输出结果：

the path of test picture:test.png
img_arr: (28, 28)
x_predict: (1, 28, 28)
[[1.2422214e-05 3.2100375e-03 1.7562316e-03 2.7691040e-02 2.1994393e-02
  1.3691573e-03 2.1526326e-05 4.8365969e-02 2.2982430e-01 6.6575491e-01]]
the path of test picture:[9]

学习使用到的图片，https://github.com/jlff/tf2_notes这里面是别的大佬做的笔记。可以在里面进行下载，包含课程代码和图片。