利用Tensorflow训练好的模型，图片进行预测和识别，并输出相应的标签和预测概率。
如果想要多张图片，可以进行批次加载和预测，这里仅用单张图片进行演示。
模型文件：
预测图片：
这里直接贴代码，都有注释，应该很好理解
import tensorflow as tf
import inference
image_size = 128 # 输入层图片大小
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "model/"
MODEL_NAME = "model.ckpt"
# 加载需要预测的图片
image_data = tf.gfile.FastGFile("./data/test/d.png", 'rb').read()
# 将图片格式转换成我们所需要的矩阵格式，第二个参数为1，代表1维
decode_image = tf.image.decode_png(image_data, 1)
# 再把数据格式转换成能运算的float32
decode_image = tf.image.convert_image_dtype(decode_image, tf.float32)
# 转换成指定的输入格式形状
image = tf.reshape(decode_image, [-1, image_size, image_size, 1])
# 定义预测结果为logit值最大的分类，这里是前向传播算法，也就是卷积层、池化层、全连接层那部分
test_logit = inference.inference(image, train=False, regularizer=None)
# 利用softmax来获取概率
probabilities = tf.nn.softmax(test_logit)
# 获取最大概率的标签位置
correct_prediction = tf.argmax(test_logit, 1)
# 定义Savar类
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))
# 加载检查点状态，这里会获取最新训练好的模型
ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
if ckpt and ckpt.model_checkpoint_path:
# 加载模型和训练好的参数
saver.restore(sess, ckpt.model_checkpoint_path)
print("加载模型成功：" + ckpt.model_checkpoint_path)
# 通过文件名得到模型保存时迭代的轮数.格式：model.ckpt-6000.data-00000-of-00001
global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
# 获取预测结果
probabilities, label = sess.run([probabilities, correct_prediction])
# 获取此标签的概率
probability = probabilities[0][label]
print("After %s training step(s),validation label = %d, has %g probability" % (global_step, label, probability))
else:
print("模型加载失败！" + ckpt.model_checkpoint_path)
运行输出结果：
（标签为3，概率为0.984478）
标签字典：
3对应小写d，识别正确。
其他的图片的预测结果：
预测图片1：
标签字典：
图片1，识别结果为1，可能概率0.993034
识别结果还是挺好看的，不知道是不是过拟合了，还是迭代次数不够多，还需要调整调整。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
