如何在 Tensorflow 上测试自己的图像到 Cifar-10 教程？

Posted 2023-02-16

【中文标题】如何在 Tensorflow 上测试自己的图像到 Cifar-10 教程？

【英文标题】：How can I test own image to Cifar-10 tutorial on Tensorflow?

【发布时间】：2017-02-12 09:38:39

【问题描述】：

我训练了 Tensorflow Cifar10 模型，我想用自己的单张图像（32*32，jpg/png）喂它。

我想查看每个标签的标签和概率作为输出，但我对此有些麻烦..

搜索堆栈溢出后，我发现了一些帖子，this，我修改了 cifar10_eval.py。

但它根本不起作用。

错误信息是：

InvalidArgumentErrorTraceback（最近一次调用最后一次） 在 （） ----> 1个评估（）

在评估（） 86 # 从检查点恢复 87 打印（“ckpt.model_checkpoint_path”，ckpt.model_checkpoint_path） ---> 88 saver.restore(sess, ckpt.model_checkpoint_path) 89 # 假设 model_checkpoint_path 看起来像： 90 # /my-favorite-path/cifar10_train/model.ckpt-0,

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/training/saver.pyc 在恢复（自我，sess，save_path）1127提高 ValueError("使用无效的保存路径 %s 调用恢复" % save_path) 第1128章 -> 1129 self.saver_def.filename_tensor_name: save_path) 1130 1131 @staticmethod

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在运行中（self，fetches，feed_dict，options，run_metadata） 380尝试： 第381章 --> 382 run_metadata_ptr) 383 如果运行元数据： 384 proto_data = tf_session.TF_GetBuffer（运行元数据ptr）

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _run(self、handle、fetches、feed_dict、options、run_metadata) 第653章 654 个结果 = self._do_run(handle, target_list, unique_fetches, --> 655 feed_dict_string，选项，run_metadata) 656 657 # 用户可能多次获取同一个张量，但我们

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _do_run(self, handle, target_list, fetch_list, feed_dict, options, 运行元数据） 721 如果句柄为无： 第722章 --> 723 目标列表，选项，运行元数据） 724 其他： 第725章

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _do_call(self, fn, *args) 741，除了 KeyError： 742通过 --> 743 raise type(e)(node_def, op, message) 744 第745章

InvalidArgumentError：Assign 需要两个张量的形状才能匹配。 lhs shape= [18,384] rhs shape= [2304,384] [[Node: save/Assign_5 = 赋值[T=DT_FLOAT, _class=["loc:@local3/weights"], use_locking=true, 验证形状=真， _device="/job:localhost/replica:0/task:0/cpu:0"](local3/weights, save/restore_slice_5)]]

我们将不胜感激任何对 Cifar10 的帮助。

这是目前已实现的代码，但存在编译问题：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from datetime import datetime
import math
import time

import numpy as np
import tensorflow as tf
import cifar10

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('eval_dir', '/tmp/cifar10_eval',
                           """Directory where to write event logs.""")
tf.app.flags.DEFINE_string('eval_data', 'test',
                           """Either 'test' or 'train_eval'.""")
tf.app.flags.DEFINE_string('checkpoint_dir', '/tmp/cifar10_train',
                           """Directory where to read model checkpoints.""")
tf.app.flags.DEFINE_integer('eval_interval_secs', 5,
                            """How often to run the eval.""")
tf.app.flags.DEFINE_integer('num_examples', 1,
                            """Number of examples to run.""")
tf.app.flags.DEFINE_boolean('run_once', False,
                         """Whether to run eval only once.""")

def eval_once(saver, summary_writer, top_k_op, summary_op):
  """Run Eval once.

  Args:
    saver: Saver.
    summary_writer: Summary writer.
    top_k_op: Top K op.
    summary_op: Summary op.
  """
  with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
    if ckpt and ckpt.model_checkpoint_path:
      # Restores from checkpoint
      saver.restore(sess, ckpt.model_checkpoint_path)
      # Assuming model_checkpoint_path looks something like:
      #   /my-favorite-path/cifar10_train/model.ckpt-0,
      # extract global_step from it.
      global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
    else:
      print('No checkpoint file found')
      return
    print("Check point : %s" % ckpt.model_checkpoint_path)

    # Start the queue runners.
    coord = tf.train.Coordinator()
    try:
      threads = []
      for qr in tf.get_collection(tf.GraphKeys.QUEUE_RUNNERS):
        threads.extend(qr.create_threads(sess, coord=coord, daemon=True,
                                         start=True))

      num_iter = int(math.ceil(FLAGS.num_examples / FLAGS.batch_size))
      true_count = 0  # Counts the number of correct predictions.
      total_sample_count = num_iter * FLAGS.batch_size
      step = 0
      while step < num_iter and not coord.should_stop():
        predictions = sess.run([top_k_op])
        true_count += np.sum(predictions)
        step += 1

      # Compute precision @ 1.
      precision = true_count / total_sample_count
      print('%s: precision @ 1 = %.3f' % (datetime.now(), precision))

      summary = tf.Summary()
      summary.ParseFromString(sess.run(summary_op))
      summary.value.add(tag='Precision @ 1', simple_value=precision)
      summary_writer.add_summary(summary, global_step)
    except Exception as e:  # pylint: disable=broad-except
      coord.request_stop(e)

    coord.request_stop()
    coord.join(threads, stop_grace_period_secs=10)


def evaluate():
  """Eval CIFAR-10 for a number of steps."""
  with tf.Graph().as_default() as g:
    # Get images and labels for CIFAR-10.
    eval_data = FLAGS.eval_data == 'test'
#     images, labels = cifar10.inputs(eval_data=eval_data)

    # TEST CODE
    img_path = "/TEST_IMAGEPATH/image.png"
    input_img = tf.image.decode_png(tf.read_file(img_path), channels=3)
    casted_image = tf.cast(input_img, tf.float32)

    reshaped_image = tf.image.resize_image_with_crop_or_pad(casted_image, 24, 24)
    float_image = tf.image.per_image_withening(reshaped_image)
    images = tf.expand_dims(reshaped_image, 0) 

    logits = cifar10.inference(images)
    _, top_k_pred = tf.nn.top_k(logits, k=1)


    with tf.Session() as sess:
        saver = tf.train.Saver()
        ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
        if ckpt and ckpt.model_checkpoint_path:
          print("ckpt.model_checkpoint_path ", ckpt.model_checkpoint_path)
          saver.restore(sess, ckpt.model_checkpoint_path)
          global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
        else:
          print('No checkpoint file found')
          return

        print("Check point : %s" % ckpt.model_checkpoint_path)
        top_indices = sess.run([top_k_pred])
        print ("Predicted ", top_indices[0], " for your input image.")

evaluate()

【参考方案1】：

视频https://youtu.be/d9mSWqfo0Xw 展示了对单个图像进行分类的示例。

在网络已经通过 python cifar10_train.py 训练后，我们评估 CIFAR-10 数据库的单个图像 deer6.png 和自己的火柴盒照片。 TF教程原源代码最重要的修改如下：

首先需要将这些图像转换为 cifar10_input.py 可以读取的二进制形式。可以使用How to create dataset similar to cifar-10中的代码 sn-p 轻松完成

然后为了读取转换后的图像（称为 input.bin），我们需要修改 cifar10_input.py 中的函数 input()：

  else:
    #filenames = [os.path.join(data_dir, 'test_batch.bin')]
    filenames = [os.path.join(data_dir, 'input.bin')]

（data_dir 等于'./'）

最后为了得到标签，我们修改了源 cifar10_eval.py 中的函数 eval_once()：

      #while step < num_iter and not coord.should_stop():
      #  predictions = sess.run([top_k_op])
      print(sess.run(logits[0]))
      classification = sess.run(tf.argmax(logits[0], 0))
      cifar10classes = ["airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse", "ship", "truck"]
      print(cifar10classes[classification])

      #true_count += np.sum(predictions)
      step += 1

      # Compute precision @ 1.
      precision = true_count / total_sample_count
      # print('%s: precision @ 1 = %.3f' % (datetime.now(), precision))

当然，您还需要进行一些小的修改。