Tensorflow 用张量流模型进行预测

我遵循给定的mnist教程，能够训练模型并评估其准确性。然而，这些教程并没有展示如何在给定模型的情况下进行预测。我对准确性不感兴趣，我只想使用该模型预测一个新示例，并在输出中查看所有结果（标签），每个结果都有其指定的分数（排序或不排序）。

在“”示例中，请参见此行：

我们现在可以实现回归模型了。只需要一行！我们 将矢量化的输入图像x乘以权重矩阵W，将 偏差b，并计算分配给 每节课

y = tf.nn.softmax(tf.matmul(x,W) + b)

只要拉动节点y，你就会得到你想要的

feed_dict = {x: [your_image]}
classification = tf.run(y, feed_dict)
print classification

---

这适用于您创建的任何模型-您将计算预测概率，作为计算损失之前的最后一步。

正如@dga所建议的，您需要通过已预测的模型运行新的数据实例

以下是一个例子：

假设您阅读了第一个教程并计算了模型的精度（模型如下：

y=tf.nn.softmax（tf.matmul（x，W）+b）

）。现在，获取模型并将新的数据点应用于它。在下面的代码中，我计算向量，得到最大值的位置。显示图像并打印最大位置

from matplotlib import pyplot as plt
from random import randint
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
print 'NN predicted', classification[0]

---

这个问题是关于预测的，它定义了一个预测，但没有应用它。下面的代码完全符合Google教程的要求，并且可以进行预测：

from matplotlib import pyplot as plt

images = mnist.test.images[0:10]

predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x":images},
      num_epochs=1,
      shuffle=False)

mnist_classifier.predict(input_fn=predict_input_fn)

for image,p in zip(images,mnist_classifier.predict(input_fn=predict_input_fn)):
    print(np.argmax(p['probabilities']))
    plt.imshow(image.reshape(28, 28), cmap=plt.cm.binary)
    plt.show()

---

2.0兼容答案：假设您构建了Keras模型，如下所示：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

然后使用以下代码对模型进行培训和评估：

model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

predictions_single = model.predict(img)

predictions = model.predict(new_images)

之后，如果要预测特定图像的类别，可以使用以下代码：

model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

predictions_single = model.predict(img)

predictions = model.predict(new_images)

如果要预测一组图像的类别，可以使用以下代码：

model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

predictions_single = model.predict(img)

predictions = model.predict(new_images)

其中，

new_images

是一个图像数组

---

有关更多信息，请在convnet示例上测试此建议时参考此。

（使用

y_conv=tf.nn.softmax（tf.matmul（h_fc1_drop，W_fc2）+b_fc2）

我得到的

参数无效：您必须用dtype float为占位符张量'placeholder_2'输入一个值，对于简单的softmax示例，它可以正常工作。知道为什么会这样吗？我可以回答我自己的评论：convnet示例在提要中有一个附加变量，我没有添加该变量。在这种情况下，提要应该是look如下：
feed_dict={x:[your_image]，keep_prob:1.0}
代码的输出类似于[False-True-False…，True-False-True]，但我想将其转换为[3 1 3…，1 5 1]，哪些类标签不正确而不是False。我们如何才能获得分类错误而不是False的标签？
tf.run（）
似乎已被删除，但
y.eval（提要）
对我很有用。关于这个问题的更完整的想法，可以在这里找到。希望它能帮助我建立一个存储库，您可以在其中绘制数字，并用自己的数据测试模型。它没有附带说明。不过，我制作了一个视频，其中包含高级概述。