如何在 Keras 中保存整个数据的预测值

数据挖掘 机器学习 喀拉斯 机器学习模型 vgg16
2022-02-27 02:41:05

我正在使用预训练的 VGG16 模型对文件夹中的图像进行分类。目前，我只能对一张图像进行分类。

  1. 如何修改代码以对文件夹中的所有图像进行分类
  2. 如何保存每张图像的预测值？

下面是我的代码：

from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.applications.imagenet_utils import decode_predictions
import matplotlib.pyplot as plt

filename = 'cat.jpg'
# load an image in PIL format
original = load_img(filename, target_size=(224, 224))
print('PIL image size',original.size)
plt.imshow(original)
plt.show()

# convert the PIL image to a numpy array
# IN PIL - image is in (width, height, channel)
# In Numpy - image is in (height, width, channel)
numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
plt.show()
print('numpy array size',numpy_image.shape)

# Convert the image / images into batch format
# expand_dims will add an extra dimension to the data at a particular axis
# We want the input matrix to the network to be of the form (batchsize, height, width, channels)
# Thus we add the extra dimension to the axis 0.
image_batch = np.expand_dims(numpy_image, axis=0)
print('image batch size', image_batch.shape)
plt.imshow(np.uint8(image_batch[0]))



# prepare the image for the VGG model
processed_image = vgg16.preprocess_input(image_batch.copy())

# get the predicted probabilities for each class
predictions = vgg_model.predict(processed_image)
print (predictions)

# convert the probabilities to class labels
# We will get top 5 predictions which is the default
#label = decode_predictions(predictions)

谢谢

1个回答

首先，你总是可以用一个循环来包装你的代码。

files = [file1, file2, ...]
predictions = []
for file in files:
    original = load_img(file, target_size=(224, 224))
    numpy_image = img_to_array(original)
    image_batch = np.expand_dims(numpy_image, axis=0)
    processed_image = vgg16.preprocess_input(image_batch)  # you dont need to copy :)      predictions_cur = vgg_model.predict(processed_image)
    print(predictions_cur)
    predictions.append(predictions_cur)
    #label = decode_predictions(predictions_cur)

其次，您可以使用 tf.data api 提高此代码的效率。例如：

from tensorflow.data import Dataset

batch_size = 32
num_threads = 4
target_size=(224, 224)

def preprocess_image(file):
    # file is not a tensor, so we have to use functions that work on tensors
    img_string = tf.read_file(file)
    img = tf.image.decode_png(img_string)
    img = tf.image.resize_images(target_size)
    img = vgg16.preprocess_input(img)  # this function can handle tensors as well.
    return img

files = [file1, file2, ...]
dataset = Dataset.from_tensor_slices(tf.constant(files))
dataset = dataset.map(preprocess_image, num_threads)
dataset = dataset.batch(batch_size)
dataset = dataset.prefetch(1)  
predictions = vgg_model.predict(dataset, steps=len(files) // batch_size)
# You could decode the predictions from here :)

解释

让我详细说明每个步骤:)

dataset.from_tensor_slices(files)将只构建一个数据集对象，它将使用的样本是您的文件。

dataset.map(preprocess_image, num_threads)
这表明在我们使用每个样本之前对其进行预处理。
这也将在num_threads并行调用中进行，如果我们将样本批处理在一起进行预测，这将加快进程。

dataset = dataset.batch(batch_size)
这会将样本批处理在一起以进行预测。这对于并行进行预测和加快进程很有用。

dataset.prefetch(1)
这将在预测前一个批次的同时预分配下一批。因此，这也将使过程更快，因为您可以通过这种方式节省时间。

最后，predictions = vgg_model.predict(dataset, steps=len(files) // batch_size)
这将预测我们提供给上述数据集的所有文件。
请注意，我们指出步数是len(files) // batch_size，因此如果len(files)不是batch_size的乘积，则无法预测某些图像。如果要预测所有图像，可以使用除以len(files)的batch_size，或者只使用 batch_size = 1。

其它你可能感兴趣的问题
上一篇自动编码器的异常输入特征是否会导致相应输出特征的高错误？ 下一篇使用 word2vec 进行双语文本相似性的最佳方法是什么？