溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹在keras中對單一圖像進行預測并返回預測結果的案例，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！
模型經過訓練測試之后，我們往往用一兩張圖對模型預測結果進行分析討論，那么下面介紹在keras中用已訓練的模型經過測試的方法。
下面是以利用預訓練的ResNet來展示預測的效果，選了一張狗的圖片，是來自一個kaggle比賽的。
預測結果第一個是一種蘇格蘭品種的狗，我也不知道準不準 == 。
import numpy as np
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing import image
from keras.applications import *
import os
# 忽略硬件加速的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
file_path = 'images/0a70f64352edfef4c82c22015f0e3a20.jpg'
img = image.load_img(file_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
model = ResNet50(weights='imagenet')
y = model.predict(x)
# print(np.argmax(y))
print('Predicted:', decode_predictions(y, top=3)[0])講幾點：
1.輸入img轉成numpy數組，shape處理成（224,224,3）一般來講，對于預訓練模型是有一個最小的尺寸值，比最小尺寸大就可以了。在ResNet中，尺寸最小大于等于197即可。
2.要對輸入shape擴維變成（None，224,224,3），第一個None是batches，模型并不知道你輸入的batches是多少，但是維度必須和ResNet的輸入要一致。
3.雖然用的是ResNet，自己設計的模型也一個道理，保留一下訓練的權重，把model模塊和預測模塊分開寫，這個時候load一下權重，再預測即可。
補充知識：keras：怎樣使用 fit_generator 來訓練多個不同類型的輸出
這個例子非常簡單明了，模型由1個輸入，2個輸出，兩個輸出的分支分別使用MSE作為損失。
x = Convolution2D(8, 5, 5, subsample=(1, 1))(image_input)
x = Activation('relu')(x)
x = Flatten()(x)
x = Dense(50, W_regularizer=l2(0.0001))(x)
x = Activation('relu')(x)
output1 = Dense(1, activation='linear', name='output1')(x)
output2 = Dense(1, activation='linear', name='output2')(x)
model = Model(input=image_input, output=[output1, output2])
model.compile(optimizer='adam', loss={'output1': 'mean_squared_error', 'output2': 'mean_squared_error'})產生訓練數據的生成器，這里y=[y1,y2].
batch_generator(x, y, batch_size):
....transform images
....generate batch batch of size: batch_size
yield(X_batch, {'output1': y1, 'output2': y2} ))之后，調用fit_generator
model.fit_generator(batch_generator(X_train, y_train, batch_size))
以上是在keras中對單一圖像進行預測并返回預測結果的案例的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
