python深度神经网络tensorflow练习好一点的实体模型开展图像分类

　　此篇文章主要是给大家介绍了python深度神经网络tensorflow练习好一点的实体模型开展图像分类实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪。

　　文章正文

　　Google在各类图象数据库系统ImageNet上练习好啦1个Inception-v3实体模型，这一实体模型大家也可以用来进去图像分类。

　　下载地址:https://pan.baidu.com/s/1XGfwYer5pIEDkpM3nM6o2A

　　提取码:hu66

　　免费下载完缓解压力后，获得好多个文档：

　　在其中

　　classify_image_graph_def.pb文件便是练习好一点的Inception-v3实体模型。

　　imagenet_synset_to_human_label_map.txt是类型文档。

　　随机找一张图片

　　对这张图片进行识别，看它属于什么类？

　　代码如下：先创建一个类NodeLookup来将softmax概率值映射到标签上。

　　然后创建一个函数create_graph()来读取模型。

　　读取图片进行分类识别

</>复制代码 
　　#-*-coding:utf-8-*-
　　import tensorflow as tf
　　import numpy as np
　　import re
　　import os
　　model_dir='D:/tf/model/'
　　image='d:/cat.jpg'
　　#将类别ID转换为人类易读的标签
　　class NodeLookup(object):
　　def __init__(self,
　　label_lookup_path=None,
　　uid_lookup_path=None):
　　if not label_lookup_path:
　　label_lookup_path=os.path.join(
　　model_dir,'imagenet_2012_challenge_label_map_proto.pbtxt')
　　if not uid_lookup_path:
　　uid_lookup_path=os.path.join(
　　model_dir,'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):
　　if not tf.gfile.Exists(uid_lookup_path):
　　tf.logging.fatal('File does not exist%s',uid_lookup_path)
　　if not tf.gfile.Exists(label_lookup_path):
　　tf.logging.fatal('File does not exist%s',label_lookup_path)
　　#Loads mapping from string UID to human-readable string
　　proto_as_ascii_lines=tf.gfile.GFile(uid_lookup_path).readlines()
　　uid_to_human={}
　　p=re.compile(r'[nd]*[S,]*')
　　for line in proto_as_ascii_lines:
　　parsed_items=p.findall(line)
　　uid=parsed_items[0]
　　human_string=parsed_items[2]
　　uid_to_human[uid]=human_string
　　#Loads mapping from string UID to integer node ID.
　　node_id_to_uid={}
　　proto_as_ascii=tf.gfile.GFile(label_lookup_path).readlines()
　　for line in proto_as_ascii:
　　if line.startswith('target_class:'):
　　target_class=int(line.split(':')[1])
　　if line.startswith('target_class_string:'):
　　target_class_string=line.split(':')[1]
　　node_id_to_uid[target_class]=target_class_string[1:-2]
　　#Loads the final mapping of integer node ID to human-readable string
　　node_id_to_name={}
　　for key,val in node_id_to_uid.items():
　　if val not in uid_to_human:
　　tf.logging.fatal('Failed to locate:%s',val)
　　name=uid_to_human[val]
　　node_id_to_name[key]=name
　　return node_id_to_name
　　def id_to_string(self,node_id):
　　if node_id not in self.node_lookup:
　　return''
　　return self.node_lookup[node_id]
　　#读取训练好的Inception-v3模型来创建graph
　　def create_graph():
　　with tf.gfile.FastGFile(os.path.join(
　　model_dir,'classify_image_graph_def.pb'),'rb')as f:
　　graph_def=tf.GraphDef()
　　graph_def.ParseFromString(f.read())
　　tf.import_graph_def(graph_def,name='')
　　#读取图片
　　image_data=tf.gfile.FastGFile(image,'rb').read()
　　#创建graph
　　create_graph()
　　sess=tf.Session()
　　#Inception-v3模型的最后一层softmax的输出
　　softmax_tensor=sess.graph.get_tensor_by_name('softmax:0')
　　#输入图像数据，得到softmax概率值（一个shape=(1,1008)的向量）
　　predictions=sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data})
　　#(1,1008)-&gt;(1008,)
　　predictions=np.squeeze(predictions)
　　#ID--&gt;English string label.
　　node_lookup=NodeLookup()
　　#取出前5个概率最大的值（top-5)
　　top_5=predictions.argsort()[-5:][::-1]
　　for node_id in top_5:
　　human_string=node_lookup.id_to_string(node_id)
　　score=predictions[node_id]
　　print('%s(score=%.5f)'%(human_string,score))
　　sess.close()

　　最后输出

　　tiger cat(score=0.40316)

　　Egyptian cat(score=0.21686)

　　tabby,tabby cat(score=0.21348)

　　lynx,catamount(score=0.01403)

　　Persian cat(score=0.00394)

　　综上所述，上述就给大家介绍完毕了，希望可以给大家带来帮助。