深度学习实战篇之 ( 十) -- TensorFlow学习之路（七）

用户5410712

发布于 2022-06-01 20:11:16

2600

发布于 2022-06-01 20:11:16

知识之窗

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。

PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。

PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。

回顾

在上周的文章中，我们学习了整合所有的代码（数据预处理，网络模型，训练代码），然后进行了实际的训练，我们必须知道，神经网络的训练结果小除了知道模型的好坏以及有效性以外，我们还需要考虑将训练好的模型进行实际的测试，也需要后期需要用来部署为应用也说不定，当然不会直接部署，还需呀考虑优化，压缩，剪枝等问题。

一、模型预测

实现步骤：

1.在训练过程中保存模型

2.编写测试代码（数据处理，模型调用，数据测试）

4.输出模型结果，映射为真实标签

1.训练过程中保存模型

#在训练之前添加
# 产生一个saver来存储训练好的模型
saver = tf.train.Saver()

在每训练一个batch后，开始整个验证集的测试（现在一般训练一个epoch后，才进行验证），验证集测试后，如果大于上一次的测试准确率并且大于80%才考虑保存模型，即最终保存最好的模型。

 if avg_test_acc > pre_test_acc and avg_test_acc > 0.80:
checkpoint_path = os.path.join(logs_checkpoint,
 'model.ckpt')
saver.save(sess,

2.测试代码

1.数据预处理：

这个地方与训练的时候一样

# 获取一张图片
def get_one_image(img_dir):
    # 输入参数：train,训练图片的路径
    # 返回参数：image，从训练图片中随机抽取一张图片
    #print("train", train)
    #n = len(train)
    #ind = np.random.randint(0, n)
    #img_dir = train[ind]  # 随机选择测试的图片
    # img_dir = train

    img = Image.open(img_dir)
    #plt.imshow(img)
    #imag = img.resize([150, 150])  # 由于图片在预处理阶段以及resize，因此该命令可略
    imge = tf.image.resize_images(img, (150, 150))
    image = tf.reshape(imge, [1, 150, 150, 3])
    #image = np.array(imge)

    image = image/255
    image = tf.cast(image, tf.float32)

    return image

2.模型调用

其实就是回复保存模型的参数后导入到现在的网络中，进行测试。

现在的网络只进行前向传播，不进行反向传播。

saver = tf.train.Saver()

with tf.Session() as sess:
img_array = sess.run(image_array)

print("Reading checkpoints...")
ckpt = tf.train.get_checkpoint_state(logs_train_dir)
if ckpt and ckpt.model_checkpoint_path:
    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
    saver.restore(sess, ckpt.model_checkpoint_path)
    print('Loading success, global_step is %s' % global_step)
else:

3.数据测试

# 测试图片
def evaluate_one_image(image_array):
global graph
graph = tf.get_default_graph()
with graph.as_default():
  BATCH_SIZE = 1
  N_CLASSES = 2
  #image = tf.cast(image_array, tf.float32)

  x = tf.placeholder(tf.float32, shape=[1,150, 150, 3])

  logit = model.inference(x, BATCH_SIZE, N_CLASSES,1)

  logit = tf.nn.softmax(logit)

4.输出结果：

prediction = sess.run(logit,feed_dict={x: img_array})
max_index = np.argmax(prediction)
# print(max_index)
# 标签映射可以选择字典或者列表
label_dict = {0: 'cat', 1: 'dog'}
label_list = ['cat','dog']
print("模型的输出为{}，对应的真实标签为：{}".format(max_index,label_list[max_index]))

全部的测试代码：