Question

我认为，如果针对CIFAR-10教程中的convnet创建的模型测试单个新图像这一关键任务有一个文档完善的解决方案，那么它对Tensorflow社区将有极大帮助。

我可能是错的，但是似乎缺少使经过训练的模型在实践中可用的关键步骤。该教程中有一个“缺失链接” —一个脚本，该脚本将直接加载单个图像（作为数组或二进制图像），将其与经过训练的模型进行比较，然后返回分类。

先前的答案给出了部分解决方案，这些解决方案说明了整体方法，但是我没有一个能够成功实现。可以在这里和那里找到其他零碎的部分，但不幸的是，这些零碎的部分尚未添加到有效的解决方案中。在将其标记为重复项或已回答之前，请考虑一下我所做的研究。

https://gist.github.com/nikitakit/6ef3b72be67b86cb7868

最受欢迎的答案是第一个，其中@RyanSepassi和@YaroslavBulatov描述了问题和解决方法：一个需要“手动构造具有相同节点名称的图，并使用Saver将权重加载到其中”。尽管这两个答案都有帮助，但将其插入CIFAR-10项目的方式尚不明确。

一个功能齐全的解决方案将是非常可取的，因此我们可以将其移植到其他单个图像分类问题。在这方面有几个关于SO的问题需要解决，但仍然没有完整的答案（例如，使用tensorflow DNN加载Checkpoint并评估单个图像）。

我希望我们可以集中在每个人都可以使用的工作脚本上。

以下脚本尚不起作用，并且很高兴听到您的意见，说明如何使用CIFAR-10 TF教程训练的模型来改进此方法以提供单图像分类的解决方案。

假定原始教程未涉及所有变量，文件名等。

新文件： cifar10_eval_single.py

import cv2
import tensorflow as tf

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('eval_dir', './input/eval',
                           """Directory where to write event logs.""")
tf.app.flags.DEFINE_string('checkpoint_dir', './input/train',
                           """Directory where to read model checkpoints.""")

def get_single_img():
    file_path = './input/data/single/test_image.tif'
    pixels = cv2.imread(file_path, 0)
    return pixels

def eval_single_img():

    # below code adapted from @RyanSepassi, however not functional
    # among other errors, saver throws an error that there are no
    # variables to save
    with tf.Graph().as_default():

        # Get image.
        image = get_single_img()

        # Build a Graph.
        # TODO

        # Create dummy variables.
        x = tf.placeholder(tf.float32)
        w = tf.Variable(tf.zeros([1, 1], dtype=tf.float32))
        b = tf.Variable(tf.ones([1, 1], dtype=tf.float32))
        y_hat = tf.add(b, tf.matmul(x, w))

        saver = tf.train.Saver()

        with tf.Session() as sess:
            sess.run(tf.initialize_all_variables())
            ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)

            if ckpt and ckpt.model_checkpoint_path:
                saver.restore(sess, ckpt.model_checkpoint_path)
                print('Checkpoint found')
            else:
                print('No checkpoint found')

            # Run the model to get predictions
            predictions = sess.run(y_hat, feed_dict={x: image})
            print(predictions)

def main(argv=None):
    if tf.gfile.Exists(FLAGS.eval_dir):
        tf.gfile.DeleteRecursively(FLAGS.eval_dir)
    tf.gfile.MakeDirs(FLAGS.eval_dir)
    eval_single_img()

if __name__ == '__main__':
    tf.app.run()