如何调用pb模型预测一张图

这篇文章主要介绍了keras中的图像生成器ImageDataGenerator的用法，详细介绍了每个参数什么意思，哪些参数 比较常用，另外在介绍一下keras中常用的四种模型保存和加载，包括h5（常用）、json和yaml、pb（这种模式我知道的在tensorflow和 opencv中可以直接读取）。

ImageDataGenerator

位于from tensorflow.keras.preprocessing.image import ImageDataGenerator

参数介绍：

• featurewise_center：使输入的均值为0，这个是以整个数据集的分布来处理的，所以变换后整体变化不大
• samplewise_center：使每个样本的均值为0，这个是针对每幅图片进行的，处理后的图像与原图差别很大
• featurewise_std_normalization：输入除以自身标准差
• samplewise_std_normalization：每个样本除以自身标准差
• zca_epsilon：ZCA白化中的epsilon参数，默认为1e-6
• zca_whitening：是否开启ZCA白化，取出图像颜色的冗余信息
• rotation_range：随机旋转的角度范围，整型，范围为[0，target]
• width_shift_range：图像水平偏移的范围
• height_shift_range：图像垂直偏移的范围，这两个一般不用
• brightness_range：亮度变化范围，包含两个浮点型的tuple或者list#旋转
• shear_range：错切变换，保持所有点的x坐标(或者y坐标)保持不变，而对应的y坐标(或者x坐标)则按比例发生平移，且平移的大小和该点到x轴(或y轴)的垂直距离成正比，效果像是图像被拉伸
• zoom_range：让图片在长或宽的方向进行放大，可以理解为某方向的resize，参数大于0小于1时，执行的是放大操作，当参数大于1时，执行的是缩小操作
• channel_shift_range：随机的通道偏移
• fill_mode：填充模式，"constant", "nearest", "reflect" or "wrap"，默认是"nearest"，比如在旋转时，超出尺寸的部分会怎么处理
• cval：填充的值，只有在fill_mode = "constant"时才有作用
• horizontal_flip：随机水平翻转
• vertical_flip：随机垂直翻转
• rescale：缩放因子，会乘在像素值上，默认是None
• preprocessing_function：自定义的处理函数，在其它预处理方法之后运行
• data_format：这个设置的是通道的模式，有channels_first和channels_last两种
• validation_split：生成验证集的比例（在0和1之间）
• dtype：制定生成的数据格式

flow_from_directory，只介绍一般情况下用到的参数

• directory：数据的路径，要求：将数据分为train和test两个文件夹，每个文件夹下每一类别再存放进一个子文件夹
• target_size：读取的每个图片都会resize到这个尺寸
• color_mode：默认rgb，一般不改变
• classes：识别的类别名称，类似于["dog","cat","fish"]，训练和测试要一致
• class_mode：分类模式，默认是categorical，表示多分类
• batch_size：一批的大小
• shuffle：是否打乱数据，这个是必须的，默认为True
• seed：随机操作的随机种子

例子

train_generator = ImageDataGenerator(rotation_range=5, #旋转 horizontal_flip=True, #翻转 vertical_flip=True) test_generator = ImageDataGenerator()#一般情况下，测试图像不做增强 train_generator = ('./re/train/', target_size=(144,144), batch_size=32, classes=['bus','dinosaurs','elephants','flowers','horse']) #注意这里的classes貌似必须要声明，但是源码里说的是，不声明时，安装目录下的文件夹名来当做class。就我测试而言，同样的程序，不显式定义classes的话，准确率在80，显然是不正常的，显式声明的话，就达到99，所以我猜测是train_generator和test_generator都是读取子文件夹的名称为类别名，估计是按照读取的顺序来确定类别顺序，这样的话，上下两个flow_from_directory得到的类别列表就有可能不一样 test_generator = ('./re/test/', target_size=(144,144), batch_size=32, classes=['bus', 'dinosaurs', 'elephants', 'flowers', 'horse']) #此处是在网络中使用数据，fit_generator是将数据一批一批的送往GPU history_tl = model.fit_generator(train_generator, epochs=10, steps_per_epoch=400/32, validation_data=test_generator)

---

keras可以保存的模型种类

• h5：此格式需要python提前安装h5py库，sudo pip install h5py
• json
• yaml
• pb

几种文件格式的区别

h5

我们可以将网络结构和权重一起保存为.h5文件，另外还包括模型训练时的配置（包括损失函数、优化器等），以及优化器的状态，比如优化器中变化的参数的状态等，优点是：操作非常方便，代码很少，缺点是：占用空间较大

model.save('my_model.h5') #用于保存模型 model = load_model('my_model.h5') #用于加载模型

当然，我们也可以单独将网络的权重保存为.h5文件，并不保存结构。

#只保存了网络的权重 model.save_weights('my_model_weig;) #将网络初始化 ... #加载权重到搭建的网络 model.load_weights('my_model_weig;)

json和yaml

一般只保存网络的结构，并不保存权重，配合save_weights和load_weights使用

import json import yaml json_model = model.to_json() #将网络结构保存为json字符串 open('model.json', 'w').write(json_model) #写入json文件 # yaml_model = model.to_yaml() #将网络结构保存为yaml字符串 # open('model.yaml', 'w').write(yaml_model) #写入yaml文件 model.save_weights('my_model_weig;) #单独保存权重参数 from keras.models import model_from_json，model_from_yaml #从文件中加载网络结构 json_model = model_from_json(open('model.json').read()) # yaml_model = model_from_yaml(open('model.yaml').read()) #单独加载权重参数 model.load_weights('my_model_weig;)

pb

pb格式的文件里是保存了网络的结构和权重的，方便tensorflow和opencv调用。

#1、定义网络结构 model = ... #2、输出节点名称，用于查看output_node_names for layer in model.layers: prin) #3、生成pb格式的模型 sess = K.get_session() #获得当前的sess #这个是将模型的结构和权重固化，注意第二步输出的节点名称形式为dense_1/Softmax:0，但是这里传入时需要将:0删除，不然会提示找不到tensor，不太清楚原因，之前用tensorflow时是需要写全的 frozen_def = (sess,(),output_node_names=['dense_1/Softmax']) (frozen_def, './', ';, as_text=False) #将网络的结构和权重写进pb文件中 #4、在tensorflow中使用pb模型 with ().as_default(): output_graph_def = Def() with open(';, "rb") as f: #打开pb模型文件 ou()) #进行解析 _ = (output_graph_def, name="") with () as sess: #下面就是使用模型 ()) #下面的input_1:0和dense_1/Softmax:0都是通过步骤2查看的 #然而这里节点名称却带了:0，我猜测是keras的graph中保存的节点名是不包含:0的，当你选择保存为pb格式时，此时注意我们是使用tensorflow的形式进行保存的，所以又都被加上了:0，当你读取的时候自然也要加上:0 input_x = ("input_1:0") output = ("dense_1/Softmax:0") print((output, feed_dict={input_x: img}))