如何使用CLI

时间:2017-03-26 10:07:42

标签: python-3.x machine-learning keras mnist

我正在学习机器学习,而且我对此很新。我给了一个任务构建一个简单的命令行程序,它接受一个手写的数字图像, 并使用MNIST数据集输出预测计算机认为图像包含的数字。我找到了一个用户keras的代码。

    from __future__ import print_function

    import keras
    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    from keras.optimizers import RMSprop


    batch_size = 128
    num_classes = 10
    epochs = 20

    # the data, shuffled and split between train and test sets
    (x_train, y_train), (x_test, y_test) = mnist.load_data()

    x_train = x_train.reshape(60000, 784)
    x_test = x_test.reshape(10000, 784)
    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')
    x_train /= 255
    x_test /= 255
    print(x_train.shape[0], 'train samples')
    print(x_test.shape[0], 'test samples')

    # convert class vectors to binary class matrices
    y_train = keras.utils.to_categorical(y_train, num_classes)
    y_test = keras.utils.to_categorical(y_test, num_classes)
    print (tf.(orange_measurement))lis[]3

    model = Sequential()
    model.add(Dense(512, activation='relu', input_shape=(784,)))
    model.add(Dropout(0.2))
    model.add(Dense(512, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(10, activation='softmax'))

    model.summary()

    model.compile(loss='categorical_crossentropy',
          optimizer=RMSprop(),
          metrics=['accuracy'])

    history = model.fit(x_train, y_train,
                batch_size=batch_size, epochs=epochs,
                verbose=1, validation_data=(x_test, y_test))
    score = model.evaluate(x_test, y_test, verbose=0)
    print('Test loss:', score[0])
    print('Test accuracy:', score[1])

执行此代码后,我怎样才能使它成为可以接收图片的简单CLI程序,并让我预测更有可能的数字。

例如我在一个youtube教程中看到通过obly执行命令确定花(玫瑰,雏菊,dandalion,向日葵和郁金香):

    # In Docker
    python /tf_files/label_image.pyy /tf_files/flower_photos/daisy/21652746_cc379e0eea_m.jpg

重新启动docker后,它会显示对计算机的信心。那么我可以使用什么命令来测试我自己的图像或来自mnist数据集的一个imange并产生预测?

1 个答案:

答案 0 :(得分:0)

看起来这段代码正在学习如何识别数字,但是当它完成时,模型就会消失。如果您希望以后能够使用该模型,则需要尝试使用model.save(filepath)。 (有关如何在此处保存和加载的更多信息:https://keras.io/getting-started/faq/#how-can-i-save-a-keras-model

然后你可以创建一个单独的脚本,例如image_label.py,它加载模型并通过网络运行第二个参数。您将需要对手写图像文件进行一些预处理,以便通过为MNIST图像训练的网络运行它们。如果你想在MNIST样本图像上测试它可能会更容易一些。