Wie um zu testen, tensorflow cifar10 cnn-tutorial Modell

Dies ist nicht 100% die Antwort auf die Frage, aber es ist eine ähnliche Art und Weise, es zu lösen, basiert auf einer MNIST NN Ausbildung Beispiel vorgeschlagen, in den Kommentaren die Frage stellen.

Basiert auf der TensorFlow Anfänger MNIST-tutorial, und Dank dieses tutorial, dies ist ein Weg, der Ausbildung und mit Ihr Neuronales Netzwerk mit benutzerdefinierten Daten.

Bitte beachten Sie, dass ähnlich wie getan werden sollte, für tutorials wie die CIFAR10, da @Jaroslaw Bulatov erwähnt in den Kommentaren.

import input_data
import datetime
import numpy as np
import tensorflow as tf
import cv2
from matplotlib import pyplot as plt
import matplotlib.image as mpimg
from random import randint


mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

x = tf.placeholder("float", [None, 784])

W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder("float", [None,10])

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

init = tf.initialize_all_variables()

sess = tf.Session()
sess.run(init)

#Train our model
iter = 1000
for i in range(iter):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#Evaluationg our model:
correct_prediction=tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy=tf.reduce_mean(tf.cast(correct_prediction,"float"))
print "Accuracy: ", sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

#1: Using our model to classify a random MNIST image from the original test set:
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
'''
#Uncomment this part if you want to plot the classified image.
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
'''
print 'Neural Network predicted', classification[0]
print 'Real label is:', np.argmax(mnist.test.labels[num])


#2: Using our model to classify MNIST digit from a custom image:

# create an an array where we can store 1 picture
images = np.zeros((1,784))
# and the correct values
correct_vals = np.zeros((1,10))

# read the image
gray = cv2.imread("my_digit.png", 0 ) #0=cv2.CV_LOAD_IMAGE_GRAYSCALE #must be .png!

# rescale it
gray = cv2.resize(255-gray, (28, 28))

# save the processed images
cv2.imwrite("my_grayscale_digit.png", gray)
"""
all images in the training set have an range from 0-1
and not from 0-255 so we divide our flatten images
(a one dimensional vector with our 784 pixels)
to use the same 0-1 based range
"""
flatten = gray.flatten() / 255.0
"""
we need to store the flatten image and generate
the correct_vals array
correct_val for a digit (9) would be
[0,0,0,0,0,0,0,0,0,1]
"""
images[0] = flatten


my_classification = sess.run(tf.argmax(y, 1), feed_dict={x: [images[0]]})

"""
we want to run the prediction and the accuracy function
using our generated arrays (images and correct_vals)
"""
print 'Neural Network predicted', my_classification[0], "for your digit"

Für weitere Bild-Klimaanlage (Ziffern sollten ganz dunkel in weißem hintergrund) und bessere NN-training (Genauigkeit>91%) bitte überprüfen Sie die Erweiterten MNIST-tutorial von TensorFlow oder das 2. tutorial, die ich erwähnt habe.

Ich empfehle einen Blick auf die basic-MNIST-tutorial auf die TensorFlow website. Es sieht aus wie definieren Sie eine Funktion, generiert die Art der Ausgabe, die Sie wollen, und dann führen Sie Ihre Sitzung, übergeben Sie diese Bewertungsfunktion (correct_prediction unten), und ein Wörterbuch mit was auch immer Argumente, die Sie benötigen (x und y_ unten).

Wenn Sie definiert und trainiert einige Netzwerk nimmt eine Eingabe x erzeugt eine Reaktion y basierend auf Ihren Eingaben, und Sie wissen, Ihre erwarteten Antworten für Ihre Prüfung y_, können Sie drucken Sie mit jeder Reaktion auf Ihre Prüfung legen Sie mit so etwas wie:

correct_prediction = tf.equal(y, y_)  % Check whether your prediction is correct
print(sess.run(correct_prediction, feed_dict={x: test_images, y_: test_labels}))

Dies ist nur eine Modifikation dessen, was in dem tutorial, wo anstatt zu versuchen, drucken Sie jede Antwort, die Sie bestimmen, den Prozentsatz der richtigen Antworten. Beachten Sie auch, dass das tutorial verwendet einem heißen Vektoren für die Vorhersage y - und ist-Wert y_, so um die damit verbundene Rückkehr Ziffer, die Sie haben, um herauszufinden, welcher index dieser Vektoren sind gleich eine mit tf.argmax(y, 1).

Bearbeiten

Im Allgemeinen, wenn Sie definieren etwas in Ihrem Diagramm können Sie die Ausgabe später, wenn Sie Ihren Graphen. Sagen Sie definieren etwas, dass bestimmt das Ergebnis der softmax-Funktion, die auf Ihre Ausgabe-logits als:

graph = tf.Graph()
with graph.as_default():
  ...
  prediction = tf.nn.softmax(logits)
  ...

dann können Sie die Ausgabe diese zur Laufzeit mit:

with tf.Session(graph=graph) as sess:
  ...
  feed_dict = { ... }  # define your feed dictionary
  pred = sess.run([prediction], feed_dict=feed_dict)
  # do stuff with your prediction vector