Desarrollo de Python
  1. Desarrollo de Python
  3. Alimentar datos de imagen en tensorflow para transferencia de aprendizaje
Intereting Posts
Cómo escribir un comentario en línea en python ¿Cómo uso la espera de Selenium? Python (comprensión de la lista): Devuelve dos (o más) elementos para cada elemento Obtenga “2:35 pm” en lugar de “02:35 p.m.” de la fecha / hora de Python? Cuenta de pandas (distinta) equivalente ¿Hay una manera de escribir texto con formato de Python? Comstackción condicional de Cython basada en un valor externo dado a través de `setuptools` Múltiples rejillas en matplotlib La publicación en Flask with Postman frente a las solicitudes rellena diferentes atributos de solicitud K el camino más corto Python no funciona Poner una statement simple if-then-else en una línea Filtro jinja2 personalizado para iterador matriz de escritura para excel en python con win32com Cómo seleccionar un elemento con xenium de Selenium Python Mostrar la hora en una zona horaria diferente

Alimentar datos de imagen en tensorflow para transferencia de aprendizaje

Estoy tratando de usar tensorflow para el aprendizaje por transferencia. Descargué el modelo pre-entrenado inception3 del tutorial. En el código, para la predicción: 

prediction = sess.run(softmax_tensor,{'DecodeJpeg/contents:0'}:image_data})

¿Hay una manera de alimentar la imagen png. Intenté cambiar DecodeJpeg a DecodePng pero no funcionó. Además, ¿qué debo cambiar si deseo alimentar un archivo de imagen decodificado como una matriz numpy o un lote de matrices?

¡¡Gracias!!

El gráfico InceptionV3 que se incluye en classify_image.py solo admite imágenes JPEG listas para usar. Hay dos formas de usar este gráfico con imágenes PNG:

  1. Convierta la imagen PNG a una height width x 3 (canales) Numpy array, por ejemplo, usando PIL , luego alimente el 'DecodeJpeg:0' : 

     import numpy as np from PIL import Image # ... image = Image.open("example.png") image_array = np.array(image)[:, :, 0:3] # Select RGB channels only. prediction = sess.run(softmax_tensor, {'DecodeJpeg:0': image_array})

    Quizás confusamente, 'DecodeJpeg:0' es la salida de la DecodeJpeg , por lo que al alimentar este tensor, puede alimentar datos de imagen en bruto.

  2. Agregue un tf.image.decode_png() op al gráfico importado. Simplemente cambiando el nombre del tensor alimentado de 'DecodeJpeg/contents:0' a 'DecodePng/contents:0' no funciona porque no hay 'DecodePng' en el gráfico enviado. Puede agregar dicho nodo al gráfico utilizando el argumento tf.import_graph_def() para tf.import_graph_def() : 

     png_data = tf.placeholder(tf.string, shape=[]) decoded_png = tf.image.decode_png(png_data, channels=3) # ... graph_def = ... softmax_tensor = tf.import_graph_def( graph_def, input_map={'DecodeJpeg:0': decoded_png}, return_elements=['softmax:0']) sess.run(softmax_tensor, {png_data: ...})

El siguiente código debe manejar de ambos casos. 

 import numpy as np from PIL import Image image_file = 'test.jpeg' with tf.Session() as sess: # softmax_tensor = sess.graph.get_tensor_by_name('final_result:0') if image_file.lower().endswith('.jpeg'): image_data = tf.gfile.FastGFile(image_file, 'rb').read() prediction = sess.run('final_result:0', {'DecodeJpeg/contents:0': image_data}) elif image_file.lower().endswith('.png'): image = Image.open(image_file) image_array = np.array(image)[:, :, 0:3] prediction = sess.run('final_result:0', {'DecodeJpeg:0': image_array}) prediction = prediction[0] print(prediction)

o versión más corta con cuerdas directas: 

 image_file = 'test.png' # or 'test.jpeg' image_data = tf.gfile.FastGFile(image_file, 'rb').read() ph = tf.placeholder(tf.string, shape=[]) with tf.Session() as sess: predictions = sess.run(output_layer_name, {ph: image_data} )