Question

我按照给定的mnist教程，能够训练模型并评估其准确性。但是，教程没有说明如何在给定模型的情况下进行预测。我对准确性不感兴趣，我只是想用模型来预测一个新的例子，在输出中看到所有的结果（标签），每个都有指定的分数（排序与否）。

Answer 1

在＆＃34; Deep MNIST for Experts＆＃34;例如，请看这一行：

我们现在可以实现我们的回归模型。它只需要一行！我们将矢量化输入图像x乘以权重矩阵W，加上偏差b，并计算分配给的softmax概率每节课。
y = tf.nn.softmax(tf.matmul(x,W) + b)

只需拉动节点y就可以得到你想要的东西。

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

这几乎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步骤之一。

Answer 2

正如@dga建议的那样，您需要通过已经预测的模型运行新的数据实例。

以下是一个例子：

假设您通过了第一个教程并计算了模型的准确性（模型如下：y = tf.nn.softmax(tf.matmul(x, W) + b)）。现在，您抓住模型并将新数据点应用于它。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]

Answer 3

2.0兼容答案：假设您已经建立了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'])

然后使用以下代码训练和评估模型：

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

之后，如果要预测特定图像的类别，则可以使用以下代码来实现：

predictions_single = model.predict(img)

如果要预测一组图像的类别，可以使用以下代码：

predictions = model.predict(new_images)

其中new_images是图像数组。

有关更多信息，请参阅此Tensorflow Tutorial。

Answer 4

问题特别是关于Google MNIST tutorial的，它定义了一个预测变量，但没有应用它。根据{{3}}的指导，以下代码完全适合Google教程并进行预测：

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()

使用TensorFlow模型进行预测

4 个答案: