14.使用inception-v3进行图像识别

import os
import tensorflow as tf
os.environ["CUDA_VISIBLE_DEVICES"] = "1"
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
import re
from PIL import  Image
import matplotlib.pyplot as plt

filePath = r'E:\src\inception_model'
class NodeLookup(object):
    def __init__(self):
        '''
        entry  #imagenet_2012_challenge_label_map_proto.pbtxt
        {
            target_class: 391
            target_class_string: "n01558993"
        }
        '''
        label_lookup_path = filePath + '\\' + 'imagenet_2012_challenge_label_map_proto.pbtxt'

        # n01482071    elasmobranch, selachian
        uid_lookup_path   = filePath + '\\' + 'imagenet_synset_to_human_label_map.txt'
        self.node_lookup  = self.load(label_lookup_path, uid_lookup_path)

    def load(self,label_lookup_path, uid_lookup_path):
        #加载分类字符串
        # n01482071    elasmobranch, selachian
        proto_as_ascii_line = tf.gfile.GFile(uid_lookup_path).readlines() #读文件，啥方法都可以
        uid_to_human = {}
        for line in proto_as_ascii_line:
            #去掉换行符
            line = line.strip('\n')
            # 根据'/t'分割
            parsed_items = line.split('\t')
            # 获取分类编号
            uid = parsed_items[0]
            # 获取分类名称
            human_string = parsed_items[1]
            # 保存编号
            uid_to_human[uid] = human_string

        #加载分类字符串 ， 对应分类编号1-1000的文件
        # entry  #imagenet_2012_challenge_label_map_proto.pbtxt
        # {
        #     target_class: 391
        #     target_class_string: "n01558993"
        # }
        proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
        target_class = 0
        target_class_string = 0
        node_id_to_uid = {}
        for line in proto_as_ascii:
            if line.startswith('  target_class:'):
                #获取分类编号
                target_class = int(line.split(': ')[1])
            if line.startswith('  target_class_string:'):
                #获取编号字符串
                target_class_string = line.split(': ')[1]
                #保存分类编号，第一行是target_class， 第二行是target_class_string，
                node_id_to_uid[target_class] = target_class_string[1:-2] # 不要引号，只要中间部分

        #建立分类编号
        node_id_to_name = {}
        for key, val in node_id_to_uid.items():
            # 获取分类名称
            name = uid_to_human[val]
            # 建立分类编号
            node_id_to_name[key] = name

        return node_id_to_name

    # 传入分类器编号返回分类名称
    def id_to_string(self, node_id):
        if node_id not in self.node_lookup:
            return  ''
        return self.node_lookup[node_id]

#创建一个图用来存储训练好的模型
with tf.gfile.FastGFile(filePath+'\\'+'classify_image_graph_def.pb', 'rb') as f:
    grapg_def = tf.GraphDef() #声明一个默认的
    grapg_def.ParseFromString(f.read())
    tf.import_graph_def(grapg_def, name='')

gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)#0.9表示可以使用GPU 90%的资源进行训练，可以任意修改
#sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
with tf.Session(config=tf.ConfigProto(gpu_options=gpu_options)) as sess: #这里用的图就是 上面设置好的
    softmax_tensor = sess.graph.get_tensor_by_name(("softmax:0")) #获取图中softmax函数
    # 可以从http://zmjames:6006 的图的结构中看到。 所以这些东西在保存和恢复，运用的时候很关键
    for root,dirs,files,in os.walk(r'images/'):
        for file in files:
            # Tensorflow载入图片
            image_data = tf.gfile.FastGFile(os.path.join(root,file),'rb').read()
            # 执行函数，传入jpg格式图片计算并得到结果
            predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data}) #这个结果是二维的
            # 把得到的结果转成一维
            predictions = np.squeeze(predictions)

            # 打印图片路径及名称
            image_path = os.path.join(root,file)
            print(image_path)
            # 显示图片
            img = Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()

            # 排序
            top_k = predictions.argsort()[-5:][::-1] #有1000个结果，从小到大的排序，
            # [-5：] 表示从后向前取5个，也就是最后5个，[::-1]  在进行一次排序，从大到小排序
            node_lookup = NodeLookup()
            for node_id in top_k: #
                # 获取分类名称
                human_string = node_lookup.id_to_string(node_id)
                # 获取分类的置信度，相当于就是分类的百分比，80%是狗，10%是猫
                score = predictions[node_id]
                print("%s (score = %.5f)" % (human_string, score))
            print()