Python 如何使用Mnist预测特定图像_Python_Tensorflow_Tensorflow Gpu

Python 如何使用Mnist预测特定图像

python tensorflow

Python 如何使用Mnist预测特定图像,python,tensorflow,tensorflow-gpu,Python,Tensorflow,Tensorflow Gpu,我是tensorflow的新手，我想我得到了正确的答案，但我遗漏了一些我在网上找不到的最基本的东西。我希望有人给我一个推荐信，或者让我找到我所缺少的东西 import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data batch_size = 128 test_size = 256 def init_weights(shape): return t

我是tensorflow的新手，我想我得到了正确的答案，但我遗漏了一些我在网上找不到的最基本的东西。我希望有人给我一个推荐信，或者让我找到我所缺少的东西

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
batch_size = 128
test_size = 256

def init_weights(shape):
    return tf.Variable(tf.random_normal(shape, stddev=0.01))

def model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden):
    l1a = tf.nn.relu(tf.nn.conv2d(X, w,                       # l1a shape=(?, 28, 28, 32)
                        strides=[1, 1, 1, 1], padding='SAME'))
    l1 = tf.nn.max_pool(l1a, ksize=[1, 2, 2, 1],              # l1 shape=(?, 14, 14, 32)
                        strides=[1, 2, 2, 1], padding='SAME')
    l1 = tf.nn.dropout(l1, p_keep_conv)

    l2a = tf.nn.relu(tf.nn.conv2d(l1, w2,                     # l2a shape=(?, 14, 14, 64)
                        strides=[1, 1, 1, 1], padding='SAME'))
    l2 = tf.nn.max_pool(l2a, ksize=[1, 2, 2, 1],              # l2 shape=(?, 7, 7, 64)
                        strides=[1, 2, 2, 1], padding='SAME')
    l2 = tf.nn.dropout(l2, p_keep_conv)

    l3a = tf.nn.relu(tf.nn.conv2d(l2, w3,                     # l3a shape=(?, 7, 7, 128)
                        strides=[1, 1, 1, 1], padding='SAME'))
    l3 = tf.nn.max_pool(l3a, ksize=[1, 2, 2, 1],              # l3 shape=(?, 4, 4, 128)
                        strides=[1, 2, 2, 1], padding='SAME')
    l3 = tf.reshape(l3, [-1, w4.get_shape().as_list()[0]])    # reshape to (?, 2048)
    l3 = tf.nn.dropout(l3, p_keep_conv)

    l4 = tf.nn.relu(tf.matmul(l3, w4))
    l4 = tf.nn.dropout(l4, p_keep_hidden)

    pyx = tf.matmul(l4, w_o)
    return pyx

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
trX = trX.reshape(-1, 28, 28, 1)  # 28x28x1 input img
teX = teX.reshape(-1, 28, 28, 1)  # 28x28x1 input img
X = tf.placeholder("float", [None, 28, 28, 1])
Y = tf.placeholder("float", [None, 10])

w = init_weights([3, 3, 1, 32])       # 3x3x1 conv, 32 outputs
w2 = init_weights([3, 3, 32, 64])     # 3x3x32 conv, 64 outputs
w3 = init_weights([3, 3, 64, 128])    # 3x3x32 conv, 128 outputs
w4 = init_weights([128 * 4 * 4, 625]) # FC 128 * 4 * 4 inputs, 625 outputs
w_o = init_weights([625, 10])         # FC 625 inputs, 10 outputs (labels)

p_keep_conv = tf.placeholder("float")
p_keep_hidden = tf.placeholder("float")
py_x = model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden)

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x, labels=Y))
train_op = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost)
predict_op = tf.argmax(py_x, 1)
# Launch the graph in a session
saver = tf.train.Saver()

with tf.Session() as sess:
    # you need to initialize all variables
    tf.global_variables_initializer().run()

    for i in range(100):
        training_batch = zip(range(0, len(trX), batch_size),
                             range(batch_size, len(trX)+1, batch_size))
        for start, end in training_batch:
            sess.run(train_op, feed_dict={X: trX[start:end], Y: trY[start:end],
                                          p_keep_conv: 0.8, p_keep_hidden: 0.5})

        test_indices = np.arange(len(teX)) # Get A Test Batch
        np.random.shuffle(test_indices)
        test_indices = test_indices[0:test_size]

        print(i, np.mean(np.argmax(teY[test_indices], axis=1) ==
                         sess.run(predict_op, feed_dict={X: teX[test_indices],
                                                         Y: teY[test_indices],
                                                         p_keep_conv: 1.0,
                                                         p_keep_hidden: 1.0})))
    save_path = saver.save(sess, "tmp/model.ckpt")
    print("Model saved in file: %s" % save_path)

在完成所有这些之后，现在我尝试从这个数组中预测一个图像，作为一个示例（我知道这不是一个合适的测试），使用以下方法为我提供一个类：

with tf.Session() as sess:
    # Restore variables from disk.
    saver.restore(sess, "tmp/model.ckpt")
    print "...Model Loaded..."   
    prediction=tf.argmax(predict_op,1)
    print prediction.eval(feed_dict={X: teX[2].reshape(1,28,28,1)}, session=sess)

但我有一个错误：

InvalidArgumentError：必须为占位符张量输入一个值带有数据类型的“占位符_3”

通过在dict中添加p_keep_conv:1.0、p_keep_hidden:1.0，可以解决前面的问题

此后又出现了另一个问题：

InvalidArgumentError                      Traceback (most recent call last)
<ipython-input-91-3e9ead14a8b3> in <module>()
      4     print "...Model Loaded..."
      5     prediction=tf.argmax(predict_op,1)
----> 6     classification = sess.run(tf.argmax(predict_op, 1), feed_dict={X: teX[3].reshape(1,28,28,1),p_keep_conv: 1.0,p_keep_hidden: 1.0})
      7 

....

InvalidArgumentError: Expected dimension in the range [-1, 1), but got 1
     [[Node: ArgMax_21 = ArgMax[T=DT_INT64, Tidx=DT_INT32, output_type=DT_INT64, _device="/job:localhost/replica:0/task:0/device:CPU:0"](ArgMax/_37, ArgMax_21/dimension)]]

InvalidArgumentError回溯（最近一次调用上次）
在（）
4打印“…模型已加载…”
5预测=tf.argmax（预测，1）
---->6 classification=sess.run（tf.argmax（predict_op，1），feed_dict={X:teX[3]。重塑（1,28,28,1），p_keep_conv:1.0，p_keep_hidden:1.0）
7.
....
InvalidArgumentError:预期维度在范围[-1，1]内，但得到1
[[Node:ArgMax_21=ArgMax[T=DT_INT64，Tidx=DT_INT32，output_type=DT_INT64，_device=“/job:localhost/replica:0/task:0/device:CPU:0”]（ArgMax/_37，ArgMax_21/dimension）]]

我在总结我们在回答中的评论

占位符错误：您的

prediction.eval（）

调用有一个

feed\u dict

不包含

p\u keep\u conv

和

p\u keep\u hidden

的值。请注意，由于在定义公告牌持有者时没有提供

name=…

参数，因此它们会得到默认名称

占位符，这是错误消息显示的内容。这是一个很好的实践方法为变量、常量和占位符提供一个有意义的名称，以使调试更容易
Argmax预期维度：
国家：
轴：张量。必须是以下类型之一：int32、int64。
int32，0我正在总结我们在回答中的评论
占位符错误：
您的prediction.eval（）
调用有一个feed\u dict
不包含p\u keep\u conv
和p\u keep\u hidden
的值。请注意，由于在定义公告牌持有者时没有提供name=…
参数，因此它们会得到默认名称占位符，这是错误消息显示的内容。这是一个很好的实践方法为变量、常量和占位符提供一个有意义的名称，以使调试更容易
Argmax预期维度：
国家：
轴：张量。必须是以下类型之一：int32、int64。
int32，0您得到错误，因为在prediction.eval（）中
调用您没有传递p\u keep\u conv
和p\u keep\u hidden
的值。将它们添加到提要dict
中，您的错误就会消失。另外，无论何时定义占位符
，您都应该通过name='my\u input'
为其命名，否则它将使用默认的位置lder_N
name（如本例中所示）。使用命名占位符调试错误消息要容易得多。这是有道理的！在修复上一个InvalidArgumentError后，我遇到了另一个错误（回溯请参见上文）：预期维度在[-1,1]范围内，但得到1请将其添加到问题中（有了回溯和错误发生的地点）你能试着用tf.argmax（predict_op，-1）
来代替你现在所拥有的，看看它是否有效吗？我把所有的东西都放在一个答案中，加上链接和解释；）你得到了错误，因为在你的prediction.eval（）中
调用您没有传递p\u keep\u conv
和p\u keep\u hidden
的值。将它们添加到提要dict
中，您的错误就会消失。另外，无论何时定义占位符
，您都应该通过name='my\u input'
为其命名，否则它将使用默认的位置lder_N
name（如本例中所示）。使用命名占位符调试错误消息要容易得多。这是有道理的！在修复上一个InvalidArgumentError后，我遇到了另一个错误（回溯请参见上文）：预期维度在[-1,1]范围内，但得到1请将其添加到问题中（有了回溯和错误发生的地点）你能试着用tf.argmax（predict_op，-1）
来代替你现在拥有的，看看是否有效吗？我把所有的东西都放在一个答案中，加上链接和解释；）