使用TensorFlow模型进行预测
tensorflow
5
0

我遵循了给定的mnist教程,并且能够训练模型并评估其准确性。但是,这些教程没有显示如何在给定模型的情况下进行预测。我对准确性不感兴趣,我只想使用模型预测一个新示例,然后在输出中查看所有结果(标签),每个结果都有其分配的分数(排序或不排序)。

参考资料:
Stack Overflow
收藏
评论
共 3 个回答
高赞 时间 活跃

这个问题专门针对Google MNIST教程 ,该教程定义了一个预测变量,但没有应用它。根据乔纳森·惠(Jonathan Hui)的TensorFlow Estimator博客文章的指导 ,以下代码完全适合Google教程并进行预测:

from matplotlib import pyplot as plt

images = mnist.test.images[0:10]

predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x":images},
      num_epochs=1,
      shuffle=False)

mnist_classifier.predict(input_fn=predict_input_fn)

for image,p in zip(images,mnist_classifier.predict(input_fn=predict_input_fn)):
    print(np.argmax(p['probabilities']))
    plt.imshow(image.reshape(28, 28), cmap=plt.cm.binary)
    plt.show()
收藏
评论

正如@dga建议的那样,您需要通过已经预测的模型来运行数据的新实例。

这是一个例子:

假设您通过了第一个教程并计算了模型的准确性(模型是: y = tf.nn.softmax(tf.matmul(x, W) + b) )。现在,您可以获取模型并将新数据点应用于该模型。在下面的代码中,我计算向量,获得最大值的位置。显示图像并打印最大位置。

from matplotlib import pyplot as plt
from random import randint
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
print 'NN predicted', classification[0]
收藏
评论

在“ Deep MNIST for Experts ”示例中,请参见以下行:

现在,我们可以实现回归模型。只需要一行!我们将向量化的输入图像x乘以权重矩阵W,加上偏差b,然后计算分配给每个类别的softmax概率。

y = tf.nn.softmax(tf.matmul(x,W) + b)

只需拉上节点y,您就会拥有所需的内容。

feed_dict = {x: [your_image]}
classification = tf.run(y, feed_dict)
print classification

这几乎适用于您创建的任何模型-在计算损失之前,您已经将预测概率计算为最后步骤之一。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号