使用Keras训练好的.h5模型来测试一个实例


Posted in Python onJuly 06, 2020

环境:python 3.6 +opencv3+Keras

训练集:MNIST

下面划重点:因为MNIST使用的是黑底白字的图片,所以你自己手写数字的时候一定要注意把得到的图片也改成黑底白字的,否则会识别错(至少我得到的结论是这样的 ,之前用白底黑字的图总是识别出错)

注意:需要测试图片需要为与训练模时相同大小的图片,RGB图像需转为gray

代码:

import cv2
import numpy as np
from keras.models import load_model

model = load_model('fm_cnn_BN.h5') #选取自己的.h模型名称
image = cv2.imread('6_b.png')
img = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY) # RGB图像转为gray

#需要用reshape定义出例子的个数,图片的 通道数,图片的长与宽。具体的参加keras文档
img = (img.reshape(1, 1, 28, 28)).astype('int32')/255 
predict = model.predict_classes(img)
print ('识别为:')
print (predict)

cv2.imshow("Image1", image)
cv2.waitKey(0)

补充知识:keras转tf并加速(1)Keras转TensorFlow,并调用转换后模型进行预测

由于方便快捷,所以先使用Keras来搭建网络并进行训练,得到比较好的模型后,这时候就该考虑做成服务使用的问题了,TensorFlow的serving就很合适,所以需要把Keras保存的模型转为TensorFlow格式来使用。

Keras模型转TensorFlow

其实由于TensorFlow本身以及把Keras作为其高层简化API,且也是建议由浅入深地来研究应用,TensorFlow本身就对Keras的模型格式转化有支持,所以核心的代码很少。这里给出一份代码:https://github.com/amir-abdi/keras_to_tensorflow,作者提供了一份很好的工具,能够满足绝大多数人的需求了。原理很简单:原理很简单,首先用 Keras 读取 .h5 模型文件,然后用 tensorflow 的 convert_variables_to_constants 函数将所有变量转换成常量,最后再 write_graph 就是一个包含了网络以及参数值的 .pb 文件了。

如果你的Keras模型是一个包含了网络结构和权重的h5文件,那么使用下面的命令就可以了:

python keras_to_tensorflow.py 
 --input_model="path/to/keras/model.h5" 
 --output_model="path/to/save/model.pb"

两个参数,一个输入路径,一个输出路径。输出路径即使你没创建好,代码也会帮你创建。建议使用绝对地址。此外作者还做了很多选项,比如如果你的keras模型文件分为网络结构和权重两个文件也可以支持,或者你想给转化后的网络节点编号,或者想在TensorFlow下继续训练等等,这份代码都是支持的,只是使用上需要输入不同的参数来设置。

如果转换成功则输出如下:

begin====================================================
I1229 14:29:44.819010 140709034264384 keras_to_tf.py:119] Input nodes names are: [u'input_1']
I1229 14:29:44.819385 140709034264384 keras_to_tf.py:137] Converted output node names are: [u'dense_2/Sigmoid']
INFO:tensorflow:Froze 322 variables.
I1229 14:29:47.091161 140709034264384 tf_logging.py:82] Froze 322 variables.
Converted 322 variables to const ops.
I1229 14:29:48.504235 140709034264384 keras_to_tf.py:170] Saved the freezed graph at /path/to/save/model.pb

这里首先把输入的层和输出的层名字给出来了,也就是“input_1”和“dense_2/Sigmoid”,这两个下面会用到。另外还告诉你冻结了多少个变量,以及你输出的模型路径,pb文件就是TensorFlow下的模型文件。

使用TensorFlow模型

转换后我们当然要使用一下看是否转换成功,其实也就是TensorFlow的常见代码,如果只用过Keras的,可以参考一下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
from tensorflow.python.platform import gfile
import cv2
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "6"
 
# img = cv2.imread(os.path.expanduser('/test_imgs/img_1.png'))
# img = cv2.resize(img, dsize=(1000, 1000), interpolation=cv2.INTER_LINEAR)
# img = img.astype(float)
# img /= 255
# img = np.array([img])
 
# 初始化TensorFlow的session
with tf.Session() as sess:
 # 读取得到的pb文件加载模型
 with gfile.FastGFile("/path/to/save/model.pb",'rb') as f:
 graph_def = tf.GraphDef()
 graph_def.ParseFromString(f.read())
 # 把图加到session中
 tf.import_graph_def(graph_def, name='')
 
 # 获取当前计算图
 graph = tf.get_default_graph()
 
 # 从图中获输出那一层
 pred = graph.get_tensor_by_name("dense_2/Sigmoid:0")
 
 # 运行并预测输入的img
 res = sess.run(pred, feed_dict={"input_1:0": img})
 
 # 执行得到结果
 pred_index = res[0][0]
 print('Predict:', pred_index)

在代码中可以看到,我们用到了上面得到的输入层和输出层的名称,但是在后面加了一个“:0”,也就是索引,因为名称只是指定了一个层,大部分层的输出都是一个tensor,但依然有输出多个tensor的层,所以需要制定是第几个输出,对于一个输出的情况,那就是索引0了。输入同理。

如果你输出res,会得到这样的结果:

('Predict:', array([[0.9998584]], dtype=float32))

这也就是为什么我们要取res[0][0]了,这个输出其实取决于具体的需求,因为这里我是对一张图做二分类预测,所以会得到这样一个结果

运行的结果如果和使用Keras模型时一样,那就说明转换成功了!

以上这篇使用Keras训练好的.h5模型来测试一个实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
Python 出现错误TypeError: ‘NoneType’ object is not iterable解决办法
Jan 12 Python
python按行读取文件,去掉每行的换行符\n的实例
Apr 19 Python
python保存数据到本地文件的方法
Jun 23 Python
python opencv捕获摄像头并显示内容的实现
Jul 11 Python
python查找重复图片并删除(图片去重)
Jul 16 Python
详解Django 时间与时区设置问题
Jul 23 Python
Python人工智能之路 jieba gensim 最好别分家之最简单的相似度实现
Aug 13 Python
Python 点击指定位置验证码破解的实现代码
Sep 11 Python
tensorflow安装成功import tensorflow 出现问题
Apr 16 Python
python怎么提高计算速度
Jun 11 Python
用pushplus+python监控亚马逊到货动态推送微信
Jan 29 Python
Python django中如何使用restful框架
Jun 23 Python
Keras实现DenseNet结构操作
Jul 06 #Python
基于Python和C++实现删除链表的节点
Jul 06 #Python
基于Python 的语音重采样函数解析
Jul 06 #Python
python interpolate插值实例
Jul 06 #Python
基于Python实现2种反转链表方法代码实例
Jul 06 #Python
简单了解Django项目应用创建过程
Jul 06 #Python
如何在mac下配置python虚拟环境
Jul 06 #Python
You might like
php mailer类调用远程SMTP服务器发送邮件实现方法
2016/03/04 PHP
php获取数据库结果集方法(推荐)
2017/06/01 PHP
javascript 鼠标滚轮事件
2009/04/09 Javascript
jQuery 判断元素上是否绑定了事件
2009/10/28 Javascript
javascript中最常用的继承模式 组合继承
2010/08/12 Javascript
一行代码实现纯数据json对象的深度克隆实现思路
2013/01/09 Javascript
js 获取屏幕各种宽高的方法(浏览器兼容)
2013/05/15 Javascript
Javascript实现Array和String互转换的方法
2015/12/21 Javascript
全面总结Javascript对数组对象的各种操作
2017/01/22 Javascript
angular2+nodejs实现图片上传功能
2017/03/27 NodeJs
小程序实现带年月选取效果的日历
2018/06/27 Javascript
react 应用多入口配置及实践总结
2018/10/17 Javascript
nodeJs项目在阿里云的简单部署
2020/11/27 NodeJs
[02:07]DOTA2超级联赛专访BBC:难忘网吧超神经历
2013/06/09 DOTA
[56:20]LGD vs VP Supermajor 败者组决赛 BO3 第三场 6.10
2018/07/04 DOTA
python进阶教程之循环相关函数range、enumerate、zip
2014/08/30 Python
Python和GO语言实现的消息摘要算法示例
2015/03/10 Python
Python使用metaclass实现Singleton模式的方法
2015/05/05 Python
python 读取目录下csv文件并绘制曲线v111的方法
2018/07/06 Python
Python实现二叉树的常见遍历操作总结【7种方法】
2019/03/06 Python
python禁用键鼠与提权代码实例
2019/08/16 Python
python lambda表达式(匿名函数)写法解析
2019/09/16 Python
python微信公众号开发简单流程实现
2020/03/09 Python
python matplotlib.pyplot.plot()参数用法
2020/04/14 Python
python logging通过json文件配置的步骤
2020/04/27 Python
Python3创建Django项目的几种方法(3种)
2020/06/03 Python
音乐器材管理制度
2014/01/31 职场文书
班长自荐书范文
2014/02/11 职场文书
廉洁家庭事迹材料
2014/05/15 职场文书
万能检讨书2000字
2014/10/17 职场文书
部门优秀员工推荐信
2015/03/24 职场文书
2015年效能监察工作总结
2015/04/23 职场文书
如何写好一份优秀的工作总结?
2019/06/21 职场文书
什么是执行力?9个故事告诉您:成功绝非偶然!
2019/07/05 职场文书
如何理解Vue前后端数据交互与显示
2021/05/10 Vue.js
Golang并发操作中常见的读写锁详析
2021/08/30 Golang