此篇文章主要是給大家介紹了python深度神經網絡tensorflow練習好一點的實體模型開展圖像分類實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發展，盡早漲薪。

　　文章正文

　　Google在各類圖象數據庫系統ImageNet上練習好啦1個Inception-v3實體模型，這一實體模型大家也可以用來進去圖像分類。

　　下載地址:https://pan.baidu.com/s/1XGfwYer5pIEDkpM3nM6o2A

　　提取碼:hu66

　　免費下載完緩解壓力后，獲得好多個文檔：

　　在其中

　　classify_image_graph_def.pb文件便是練習好一點的Inception-v3實體模型。

　　imagenet_synset_to_human_label_map.txt是類型文檔。

　　隨機找一張圖片

　　對這張圖片進行識別，看它屬于什么類？

　　代碼如下：先創建一個類NodeLookup來將softmax概率值映射到標簽上。

　　然后創建一個函數create_graph()來讀取模型。

　　讀取圖片進行分類識別

　　#-*-coding:utf-8-*-
　　import tensorflow as tf
　　import numpy as np
　　import re
　　import os
　　model_dir='D:/tf/model/'
　　image='d:/cat.jpg'
　　#將類別ID轉換為人類易讀的標簽
　　class NodeLookup(object):
　　def __init__(self,
　　label_lookup_path=None,
　　uid_lookup_path=None):
　　if not label_lookup_path:
　　label_lookup_path=os.path.join(
　　model_dir,'imagenet_2012_challenge_label_map_proto.pbtxt')
　　if not uid_lookup_path:
　　uid_lookup_path=os.path.join(
　　model_dir,'imagenet_synset_to_human_label_map.txt')
　　self.node_lookup=self.load(label_lookup_path,uid_lookup_path)
　　def load(self,label_lookup_path,uid_lookup_path):
　　if not tf.gfile.Exists(uid_lookup_path):
　　tf.logging.fatal('File does not exist%s',uid_lookup_path)
　　if not tf.gfile.Exists(label_lookup_path):
　　tf.logging.fatal('File does not exist%s',label_lookup_path)
　　#Loads mapping from string UID to human-readable string
　　proto_as_ascii_lines=tf.gfile.GFile(uid_lookup_path).readlines()
　　uid_to_human={}
　　p=re.compile(r'[nd]*[S,]*')
　　for line in proto_as_ascii_lines:
　　parsed_items=p.findall(line)
　　uid=parsed_items[0]
　　human_string=parsed_items[2]
　　uid_to_human[uid]=human_string
　　#Loads mapping from string UID to integer node ID.
　　node_id_to_uid={}
　　proto_as_ascii=tf.gfile.GFile(label_lookup_path).readlines()
　　for line in proto_as_ascii:
　　if line.startswith('target_class:'):
　　target_class=int(line.split(':')[1])
　　if line.startswith('target_class_string:'):
　　target_class_string=line.split(':')[1]
　　node_id_to_uid[target_class]=target_class_string[1:-2]
　　#Loads the final mapping of integer node ID to human-readable string
　　node_id_to_name={}
　　for key,val in node_id_to_uid.items():
　　if val not in uid_to_human:
　　tf.logging.fatal('Failed to locate:%s',val)
　　name=uid_to_human[val]
　　node_id_to_name[key]=name
　　return node_id_to_name
　　def id_to_string(self,node_id):
　　if node_id not in self.node_lookup:
　　return''
　　return self.node_lookup[node_id]
　　#讀取訓練好的Inception-v3模型來創建graph
　　def create_graph():
　　with tf.gfile.FastGFile(os.path.join(
　　model_dir,'classify_image_graph_def.pb'),'rb')as f:
　　graph_def=tf.GraphDef()
　　graph_def.ParseFromString(f.read())
　　tf.import_graph_def(graph_def,name='')
　　#讀取圖片
　　image_data=tf.gfile.FastGFile(image,'rb').read()
　　#創建graph
　　create_graph()
　　sess=tf.Session()
　　#Inception-v3模型的最后一層softmax的輸出
　　softmax_tensor=sess.graph.get_tensor_by_name('softmax:0')
　　#輸入圖像數據，得到softmax概率值（一個shape=(1,1008)的向量）
　　predictions=sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data})
　　#(1,1008)->(1008,)
　　predictions=np.squeeze(predictions)
　　#ID-->English string label.
　　node_lookup=NodeLookup()
　　#取出前5個概率最大的值（top-5)
　　top_5=predictions.argsort()[-5:][::-1]
　　for node_id in top_5:
　　human_string=node_lookup.id_to_string(node_id)
　　score=predictions[node_id]
　　print('%s(score=%.5f)'%(human_string,score))
　　sess.close()

　　最后輸出

　　tiger cat(score=0.40316)

　　Egyptian cat(score=0.21686)

　　tabby,tabby cat(score=0.21348)

　　lynx,catamount(score=0.01403)

　　Persian cat(score=0.00394)

　　綜上所述，上述就給大家介紹完畢了，希望可以給大家帶來幫助。