本节涉及点:

  1. 从命令行参数读取需要预测的数据
  2. 从文件中读取数据进行预测
  3. 从任意字符串中读取数据进行预测

一、从命令行参数读取需要预测的数据

训练神经网络是让神经网络具备可用性,真正使用神经网络时,需要对新的输入数据进行预测,

这些输入数据 不像训练数据那样是有目标值(标准答案),而是需要通过神经网络计算来获得预测的结果。

通过命令行参数输入数据:

import numpy as np
import sys predictData = None
argt = sys.argv[1:] # 获取命令行参数后循环判断每一个参数,并寻找是否有以“-predict=” 为开始的字符串
# 使用成员函数 startswith 判断是否以另一个指定的字符串开头
# 如果有,去掉 "-predict=" 这个前缀,只取后面剩余的字符串
# tmpStr = v[len("-predict=")] 作用是让 tmpStr 等于命令行参数v 去掉开头 "-predict=" 后的字符
# len() 的作用是 获得任意字符串的长度
# 使用 numpy包中的 fromstring 函数,把 tmpStr 中字符串转换为一个数组
for v in argt:
if v.startswith("-predict="):
tmpStr = v[len("-predict="):] #注意这里使用了切片
print("tmpStr: %s" % tmpStr)
predictData = np.fromstring(tmpStr, dtype=np.float32, sep=",") print("predictData: %s" % predictData)

运行结果如下:

使用 Anaconda 执行该程序:

# numpy 字符串转变为数组函数 np.fromstring(tmpStr,dtype=np.float32,sep=",")   

是指将字符串 tmpStr,以字符 "," 为分隔符,转换为数组内数据项的数据类型是 float32 的数组

调用训练好的神经网络进行预测:

import tensorflow as tf
import numpy as np
import random
import os
import sys ifRestartT = False predictData = None argt = sys.argv[1:] for v in argt:
if v == "-restart":
ifRestartT = True
if v.startswith("-predict="):
tmpStr = v[len("-predict="):]
predictData = np.fromstring(tmpStr, dtype=np.float32, sep=",")
print("predictData: %s" % predictData) trainResultPath = "./save/idcard2" random.seed() x = tf.placeholder(tf.float32)
yTrain = tf.placeholder(tf.float32) w1 = tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)
b1 = tf.Variable(0, dtype=tf.float32) xr = tf.reshape(x, [1, 4]) n1 = tf.nn.tanh(tf.matmul(xr, w1) + b1) w2 = tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)
b2 = tf.Variable(0, dtype=tf.float32) n2 = tf.matmul(n1, w2) + b2 y = tf.nn.softmax(tf.reshape(n2, [2])) loss = tf.reduce_mean(tf.square(y - yTrain)) optimizer = tf.train.RMSPropOptimizer(0.01) train = optimizer.minimize(loss) sess = tf.Session() if ifRestartT:
print("force restart...")
sess.run(tf.global_variables_initializer())
elif os.path.exists(trainResultPath + ".index"):
print("loading: %s" % trainResultPath)
tf.train.Saver().restore(sess, save_path=trainResultPath)
else:
print("train result path not exists: %s" % trainResultPath)
sess.run(tf.global_variables_initializer()) if predictData is not None:
result = sess.run([x, y], feed_dict={x: predictData})
print(result[1])
print(y.eval(session=sess, feed_dict=
{x: predictData})) #第二种 输出神经网络计算结果的方法,解释见下
sys.exit(0) # 终止程序


# 如果 predictData 的数据 是 “None” ,则继续训练
# 否则说明已经从命令行参数中读取了需要预测的数据,那么就调用神经网络进行预测,输出结果 结束程序
lossSum = 0.0 for i in range(5): xDataRandom = [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]
if xDataRandom[2] % 2 == 0:
yTrainDataRandom = [0, 1]
else:
yTrainDataRandom = [1, 0] result = sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom}) lossSum = lossSum + float(result[len(result) - 1]) print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1))) if os.path.exists("save.txt"):
os.remove("save.txt")
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath) resultT = input('Would you like to save? (y/n)') if resultT == "y":
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath)

print(y.eval(session=sess, feed_dict={x: predictData}))

直接调用张量 y 的 eval 函数,并在命名参数 session 中传入 会话对象 sess,在命名参数 feed_dict 中传入需要预测的输入数据,就可以得到y 的计算结果

注意: 用神经网络计算,不需要传入目标值 yTrain ,也不需要在 sess.run 函数的结果数组中指定训练变量 trian

二、从文件中读取数据进行预测

假设在 程序执行目录下有此文件 :

import tensorflow as tf
import numpy as np
import random
import os
import sys ifRestartT = False predictData = None argt = sys.argv[1:]
# 同样,先获取命令行参数,从前忘后遍历,如果有 “-file=” ,会从该参数指定的文件中读取数据
# 读取数据后放进 predictData 中,但此时, predictData 会是一个二维数组,其中每一行代表文件中的一行数据
# 为了保持一致,我们把用命令行参数 "-predict=" 指定的预测输入数据也套上了一个方括号变成二维数组【虽然只有一行】
# 使用 predictData.shape[0] 获取二维数组的行数
# 因为数组的形态本身也是一个数组,其中下标为 0 的数字代表了它的行数
for v in argt:
if v == "-restart":
ifRestartT = True
if v.startswith("-file="):
tmpStr = v[len("-file="):]
print(tmpStr)
predictData = np.loadtxt(tmpStr, dtype=np.float32, delimiter=",")
predictRowCount = predictData.shape[0]
print("predictRowCount: %s" % predictRowCount)
if v.startswith("-predict="):
tmpStr = v[len("-predict="):]
predictData = [np.fromstring(tmpStr, dtype=np.float32, sep=",")] print("predictData: %s" % predictData) trainResultPath = "./save/idcard2" random.seed() x = tf.placeholder(tf.float32)
yTrain = tf.placeholder(tf.float32) w1 = tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)
b1 = tf.Variable(0, dtype=tf.float32) xr = tf.reshape(x, [1, 4]) n1 = tf.nn.tanh(tf.matmul(xr, w1) + b1) w2 = tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)
b2 = tf.Variable(0, dtype=tf.float32) n2 = tf.matmul(n1, w2) + b2 y = tf.nn.softmax(tf.reshape(n2, [2])) loss = tf.reduce_mean(tf.square(y - yTrain)) optimizer = tf.train.RMSPropOptimizer(0.01) train = optimizer.minimize(loss) sess = tf.Session() if ifRestartT:
print("force restart...")
sess.run(tf.global_variables_initializer())
elif os.path.exists(trainResultPath + ".index"):
print("loading: %s" % trainResultPath)
tf.train.Saver().restore(sess, save_path=trainResultPath)
else:
print("train result path not exists: %s" % trainResultPath)
sess.run(tf.global_variables_initializer()) if predictData is not None:
for i in range(predictRowCount):
print(y.eval(session=sess, feed_dict={x: predictData[i]})) sys.exit(0)
# 用一个循环,把 predictData 中的所有行的数据都输入神经网络中计算一边,最后输出结果
lossSum = 0.0 for i in range(500000): xDataRandom = [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]
if xDataRandom[2] % 2 == 0:
yTrainDataRandom = [0, 1]
else:
yTrainDataRandom = [1, 0] result = sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom}) lossSum = lossSum + float(result[len(result) - 1]) print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1))) if os.path.exists("save.txt"):
os.remove("save.txt")
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath) resultT = input('Would you like to save? (y/n)') if resultT == "y":
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath)

就可以 程序从 data2.txt 中获取了数据并转换成为一个二维数组,神经网络载入训练的过程数据后,根据当时的可变参数取值对每一行数据进行了预测

三、从任意字符串中读取数据进行预测

[[1,2,3,4],[2,4,6,8],[5,6,1,2],[7,9,0,3]]

上方是 python 中定义数组的写法,那么可以用 python 提到的 eval 函数把这个 字符串转换成为想要的数组类型。

假设有一个文本文件,data3.txt 且 有且仅有 上述字符串作为文件内容,编程实现,从文件中读取数据进行预测 :

import tensorflow as tf
import numpy as np
import random
import os
import sys ifRestartT = False predictData = None argt = sys.argv[1:]
# 如果制定了命令行参数 "-datafile=”,程序就从指定的文件中读取文件的全部内容
# 也就是把文件中的内容作为一个大字符串整个读进变量 fileStr 中
# open 函数是 python 中用于打开指定位置文件的函数,会返回一个文件对象
# 调用该文件对象的 read 函数,就可以把文本文件的内容都读进来
# 再调用 eval 函数把这个字符串转换为 python 的数据对象
# 这里,python 会把它转换成一个 list 对象,直接用 numpy 的 array 函数就可以把它转换为数组 for v in argt:
if v == "-restart":
ifRestartT = True
if v.startswith("-file="):
tmpStr = v[len("-file="):]
predictData = np.loadtxt(tmpStr, dtype=np.float32, delimiter=",")
predictRowCount = predictData.shape[0]
print("predictRowCount: %s" % predictRowCount)
if v.startswith("-dataFile="):
tmpStr = v[len("-dataFile="):]
fileStr = open(tmpStr).read()
predictData = np.array(eval(fileStr))
predictRowCount = predictData.shape[0]
print("predictRowCount: %s" % predictRowCount)
if v.startswith("-predict="):
tmpStr = v[len("-predict="):]
predictData = [np.fromstring(tmpStr, dtype=np.float32, sep=",")] print("predictData: %s" % predictData) trainResultPath = "./save/idcard2" random.seed() x = tf.placeholder(tf.float32)
yTrain = tf.placeholder(tf.float32) w1 = tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)
b1 = tf.Variable(0, dtype=tf.float32) xr = tf.reshape(x, [1, 4]) n1 = tf.nn.tanh(tf.matmul(xr, w1) + b1) w2 = tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)
b2 = tf.Variable(0, dtype=tf.float32) n2 = tf.matmul(n1, w2) + b2 y = tf.nn.softmax(tf.reshape(n2, [2])) loss = tf.reduce_mean(tf.square(y - yTrain)) optimizer = tf.train.RMSPropOptimizer(0.01) train = optimizer.minimize(loss) sess = tf.Session() if ifRestartT:
print("force restart...")
sess.run(tf.global_variables_initializer())
elif os.path.exists(trainResultPath + ".index"):
print("loading: %s" % trainResultPath)
tf.train.Saver().restore(sess, save_path=trainResultPath)
else:
print("train result path not exists: %s" % trainResultPath)
sess.run(tf.global_variables_initializer()) if predictData is not None:
for i in range(predictRowCount):
print(y.eval(session=sess, feed_dict=
{x: predictData[i]})) sys.exit(0) lossSum = 0.0 for i in range(500000): xDataRandom = [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]
if xDataRandom[2] % 2 == 0:
yTrainDataRandom = [0, 1]
else:
yTrainDataRandom = [1, 0] result = sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom}) lossSum = lossSum + float(result[len(result) - 1]) print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1))) if os.path.exists("save.txt"):
os.remove("save.txt")
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath) resultT = input('Would you like to save? (y/n)') if resultT == "y":
print("saving...")
tf.train.Saver().save(sess, save_path=trainResultPath)

执行程序:

当然,这里的格式也符合网络间传递数据的最常用的格式之一: JSON

Tensorflow 用训练好的模型预测的更多相关文章

  1. 在 C/C++ 中使用 TensorFlow 预训练好的模型—— 间接调用 Python 实现

    现在的深度学习框架一般都是基于 Python 来实现,构建.训练.保存和调用模型都可以很容易地在 Python 下完成.但有时候,我们在实际应用这些模型的时候可能需要在其他编程语言下进行,本文将通过 ...

  2. 在 C/C++ 中使用 TensorFlow 预训练好的模型—— 直接调用 C++ 接口实现

    现在的深度学习框架一般都是基于 Python 来实现,构建.训练.保存和调用模型都可以很容易地在 Python 下完成.但有时候,我们在实际应用这些模型的时候可能需要在其他编程语言下进行,本文将通过直 ...

  3. 转载:tensorflow保存训练后的模型

    训练完一个模型后,为了以后重复使用,通常我们需要对模型的结果进行保存.如果用Tensorflow去实现神经网络,所要保存的就是神经网络中的各项权重值.建议可以使用Saver类保存和加载模型的结果. 1 ...

  4. Tensorflow使用训练好的模型进行测试,发现计算速度越来越慢

    实验时要对多个NN模型进行对比,依次加载直到第8个模型时,发现运行速度明显变慢而且电脑开始卡顿,查看内存占用90+%. 原因:使用过的NN模型还会保存在内存,继续加载一方面使新模型加载特别特别慢,另一 ...

  5. tensorflow使用pb文件进行模型预测

  6. 如何用Tensorflow训练模型成pb文件和和如何加载已经训练好的模型文件

    这篇薄荷主要是讲了如何用tensorflow去训练好一个模型,然后生成相应的pb文件.最后会将如何重新加载这个pb文件. 首先先放出PO主的github: https://github.com/ppp ...

  7. TensorFlow 调用预训练好的模型—— Python 实现

    1. 准备预训练好的模型 TensorFlow 预训练好的模型被保存为以下四个文件 data 文件是训练好的参数值,meta 文件是定义的神经网络图,checkpoint 文件是所有模型的保存路径,如 ...

  8. TensorFlow从1到2(七)线性回归模型预测汽车油耗以及训练过程优化

    线性回归模型 "回归"这个词,既是Regression算法的名称,也代表了不同的计算结果.当然结果也是由算法决定的. 不同于前面讲过的多个分类算法或者逻辑回归,线性回归模型的结果是 ...

  9. tensorflow数据加载、模型训练及预测

    数据集 DNN 依赖于大量的数据.可以收集或生成数据,也可以使用可用的标准数据集.TensorFlow 支持三种主要的读取数据的方法,可以在不同的数据集中使用:本教程中用来训练建立模型的一些数据集介绍 ...

随机推荐

  1. FFmpeg常用命令学习笔记(四)处理原始数据命令

    处理原始数据命令  通过音视频设备采集的.没有经过任何加工的数据叫原始数据,而像我们平时播放的比如mp4文件是压缩后的数据.视频原始数据是YUV格式,音频原始数据是PCM格式.FFmpeg可以从封装格 ...

  2. Python 字典 (4) 持续更新

    字典一种用名字来引用值的数据结构,这种数据结构称为 映射(mapping) .字典中的键可以是数字.字符串和元组. 字典 创建和使用 创建 phonebook = {'Aaron':133000000 ...

  3. mybatis注解大全

    注解 目标 相对应的 XML 描述 @CacheNamespace 类 <cache> 为给定的命名空间 (比如类) 配置缓存. 属性:implemetation,eviction, fl ...

  4. 【Wince-禁止重复启动程序】Wince 不重复启动程序

    创建类Mutex.cs: using System; using System.Linq; using System.Collections.Generic; using System.Text; u ...

  5. MFC 画字体DrawText()或TextOut(),CFont字体样式类

    新建单个文档的MFC应用程序,类视图——View项的属性——消息,WM_PAINT,创建OnPaint()函数 void CMFCApplication27View::OnPaint() { CPai ...

  6. 1 Mybatis

    1 使用Maven导入mybatis依赖 在pom.xml中写上一下代码:这些代码的查找可在https://mvnrepository.com/open-source网站上寻找,导入mybatis时要 ...

  7. bbs-admin-自定义admin(一)

    自定义admin 概要:django-admin本质就是一个app,只是Django内部分装了,因此我们尝试自己设计一个简易版的admin 设计前知识补充: model._meta.app_label ...

  8. NotFoundError (see above for traceback): Key local3/weights not found in checkpoint

    解决办法 原文 https://www.jianshu.com/p/2de8e01af88d with tf.Session() as sess: tf.get_variable_scope().re ...

  9. vim 代码块排版

    http://cookoo.iteye.com/blog/32275 方法: 1. 按v进入visual状态,选择多行,用>或<缩进或缩出 2. 通常根据语言特征使用自动缩进排版:在命令状 ...

  10. 路由配置系统(URLconf)

    URL配置(URLconf)就像Django所支撑网站的目录. 它的本质是URL与要为该URL调用的视图函数之间的映射表.你就是以这种方式告诉Django,对于URL(1)调用代码(1), 对于URL ...