如何使用tf训练好的模型

Posted 2023-03-24

参考技术A 　　1、将mnist.tflite模型放在assets文件夹下。

　　2、更新build.gradle以包含tflite依赖项。

　　3、为用户创建自定义视图。

　　4、创建一个进行数字分类的分类器。

　　5、从自定义视图输入图像。

　　6、图像预处理。

　　7、用模型对图像进行分类。

　　8、然后处理。

　　9、在用户界面中显示结果。

tf.train.Saver()-tensorflow中模型的保存及读取

作用：训练网络之后保存训练好的模型，以及在程序中读取已保存好的模型

使用步骤：

• 实例化一个Saver对象 saver = tf.train.Saver() 
• 在训练过程中，定期调用saver.save方法，像文件夹中写入包含当前模型中所有可训练变量的checkpoint文件 saver.save(sess,FLAGG.train_dir,global_step=step) 
• 之后可以使用saver.restore()方法，重载模型的参数，继续训练或者用于测试数据 saver.restore(sess,FLAGG.train_dir) 

在save之后会在相应的路径下面新增如下四个红色文件：

在saver实例每次调用save方法时，都会创建三个数据文件和一个检查点（checkpoint）文件，权重等参数被以字典的形式保存到.ckpt.data中，图和元数据被保存到.ckpt.meta中，可以被tf.train.import_meta_graph加载到当前默认的图

softmaxRegression.py

 1 # _*_ coding:utf-8 _*_
 2 import os
 3 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
 4 import tensorflow as tf
 5 from tensorflow.examples.tutorials.mnist import input_data
 6 
 7 #get the datase
 8 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
 9 
10 print(mnist.train.images.shape,mnist.train.labels.shape)
11 
12 sess = tf.InteractiveSession()
13 
14 x = tf.placeholder(tf.float32,[None,784])
15 W = tf.Variable(tf.zeros([784,10]))
16 b = tf.Variable(tf.zeros([10]))
17 
18 y = tf.nn.softmax(tf.matmul(x,W)+b)
19 y_ = tf.placeholder(tf.float32,[None,10])
20 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
21 
22 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
23 tf.global_variables_initializer().run()
24 
25 #保存模型对象saver
26 saver = tf.train.Saver()
27 
28 #判断保存模型对象文件夹是否存在
29 if not os.path.exists(‘tmp/‘):
30     print(‘i am here‘)
31     os.mkdir(‘tmp/‘)
32 else:
33     print("2")
34 
35 
36 if os.path.exists(‘tmp/chckpoint‘):
37     saver.restore(sess,‘tmp/model.ckpt‘)
38     correct_prediction = tf.equal(tf.arg_max(y, 1), tf.argmax(y_, 1))
39     accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
40     save_path = saver.save(sess, ‘tmp/model.ckpt‘)
41     print("2")
42     print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
43 else:
44     for i in range(1000):
45         batch_xs,batch_ys = mnist.train.next_batch(100)
46         train_step.run({x:batch_xs,y_:batch_ys})
47     correct_prediction = tf.equal(tf.arg_max(y,1),tf.argmax(y_,1))
48     accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
49     save_path = saver.save(sess,‘tmp/model.ckpt‘)
50     print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))