快捷導(dǎo)航

在keras中對(duì)單一輸入圖像進(jìn)行預(yù)測(cè)并返回預(yù)測(cè)結(jié)果操作

更新時(shí)間：2020年07月09日 08:52:38 作者：Kun Li

這篇文章主要介紹了在keras中對(duì)單一輸入圖像進(jìn)行預(yù)測(cè)并返回預(yù)測(cè)結(jié)果操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

模型經(jīng)過(guò)訓(xùn)練測(cè)試之后，我們往往用一兩張圖對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行分析討論，那么下面介紹在keras中用已訓(xùn)練的模型經(jīng)過(guò)測(cè)試的方法。

下面是以利用預(yù)訓(xùn)練的ResNet來(lái)展示預(yù)測(cè)的效果，選了一張狗的圖片，是來(lái)自一個(gè)kaggle比賽的。

預(yù)測(cè)結(jié)果第一個(gè)是一種蘇格蘭品種的狗，我也不知道準(zhǔn)不準(zhǔn) == 。

import numpy as np
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing import image
from keras.applications import *
 
import os
 
# 忽略硬件加速的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
file_path = 'images/0a70f64352edfef4c82c22015f0e3a20.jpg'
 
img = image.load_img(file_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
 
model = ResNet50(weights='imagenet')
y = model.predict(x)
# print(np.argmax(y))
print('Predicted:', decode_predictions(y, top=3)[0])

講幾點(diǎn)：

1.輸入img轉(zhuǎn)成numpy數(shù)組，shape處理成（224,224,3）一般來(lái)講，對(duì)于預(yù)訓(xùn)練模型是有一個(gè)最小的尺寸值，比最小尺寸大就可以了。在ResNet中，尺寸最小大于等于197即可。

2.要對(duì)輸入shape擴(kuò)維變成（None，224,224,3），第一個(gè)None是batches，模型并不知道你輸入的batches是多少，但是維度必須和ResNet的輸入要一致。

3.雖然用的是ResNet，自己設(shè)計(jì)的模型也一個(gè)道理，保留一下訓(xùn)練的權(quán)重，把model模塊和預(yù)測(cè)模塊分開(kāi)寫(xiě)，這個(gè)時(shí)候load一下權(quán)重，再預(yù)測(cè)即可。

補(bǔ)充知識(shí)：keras：怎樣使用 fit_generator 來(lái)訓(xùn)練多個(gè)不同類(lèi)型的輸出

這個(gè)例子非常簡(jiǎn)單明了，模型由1個(gè)輸入，2個(gè)輸出，兩個(gè)輸出的分支分別使用MSE作為損失。

x = Convolution2D(8, 5, 5, subsample=(1, 1))(image_input)
x = Activation('relu')(x)
x = Flatten()(x)
x = Dense(50, W_regularizer=l2(0.0001))(x)
x = Activation('relu')(x)

output1 = Dense(1, activation='linear', name='output1')(x)
output2 = Dense(1, activation='linear', name='output2')(x)

model = Model(input=image_input, output=[output1, output2])
model.compile(optimizer='adam', loss={'output1': 'mean_squared_error', 'output2': 'mean_squared_error'})

產(chǎn)生訓(xùn)練數(shù)據(jù)的生成器，這里y=[y1,y2].

batch_generator(x, y, batch_size):
  ....transform images
  ....generate batch batch of size: batch_size 
  yield(X_batch, {'output1': y1, 'output2': y2} ))

之后，調(diào)用fit_generator