Tensorflow用别人训练好的模型进行图像分类（可运行）

【先说一下自己想说的】：昨晚上找了很久才搞定，代码和给的文件根本不匹配，转载也不验证一下就转。弄得我花了一整天！（我就为了加个单击图片显示可能的标签这么个功能我……我容易吗……555）

原帖：http://www.cnblogs.com/denny402/p/6942580.html（感谢此源贴的下方评论指引我找到了配套的库）

然后我鄙视一下这些转载不发源链接的↓(╬▔皿▔)凸（还有就是不验证就敢转发）：

https://blog.csdn.net/u011600477/article/details/78607883

https://blog.csdn.net/m0_37167788/article/details/79084288

与原帖配套的模型和其他文件在：（不知道是不是源博主搞错了，博主给的云盘里的东西完全是不着边，这帮转贴的也不自己验证以下，像是传下去的谎言——真是荒谬又可笑）

“看到这个链接了，里面有博主提到的模型和pbtxt文件 https://github.com/taey16/tf/tree/master/imagenet”

以下是原帖，上边该补充的都说了=================分割线=============

谷歌在大型图像数据库ImageNet上训练好了一个Inception-v3模型，这个模型我们可以直接用来进来图像分类。 
下载地址：https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip 
下载完解压后，得到几个文件：

其中的classify_image_graph_def.pb 文件就是训练好的Inception-v3模型。

imagenet_synset_to_human_label_map.txt是类别文件。

随机找一张图片：如 
 
对这张图片进行识别，看它属于什么类？

代码如下：先创建一个类NodeLookup来将softmax概率值映射到标签上。

然后创建一个函数create_graph()来读取模型。

最后读取图片进行分类识别：

# -*- coding: utf-8 -*-

import tensorflow as tf
import numpy as np
import re
import os

model_dir='D:/tf/model/'
image='d:/cat.jpg'


#将类别ID转换为人类易读的标签
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'[n\d]*[ \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]

#读取训练好的Inception-v3模型来创建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='')


#读取图片
image_data = tf.gfile.FastGFile(image, 'rb').read()

#创建graph
create_graph()

sess=tf.Session()
#Inception-v3模型的最后一层softmax的输出
softmax_tensor= sess.graph.get_tensor_by_name('softmax:0')
#输入图像数据，得到softmax概率值（一个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个概率最大的值（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()

最后输出：

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)

以下是亲自验证，上图====================分割线====================================

上面这张图，识别成seashore，还是挺准的。

注意，我是windows环境运行的，目录要用r'路径'或者双反斜杠"\"转意） 或者斜杠"/"！不然总会出如下错误

tensorflow.python.framework.errors_impl.NotFoundError: NewRandomAccessFile failed to Create/Open: ‪D:      f.jpg : ϵ ͳ\udcd5Ҳ\udcbb\udcb5\udcbdָ\udcb6\udca8\udcb5\udcc4\udcceļ\udcfe\udca1\udca3
; No such file or directory

还有，我目前不知道为什么一把图片弄个路径就出错，目前我是直接放文件夹里才能用的。不然就是下面那个错误

#读取图片
image_data = tf.gfile.FastGFile('1.jpg', 'rb').read()   #直接的'1.jpg'

tensorflow.python.framework.errors_impl.InvalidArgumentError: NewRandomAccessFile failed to Create/Open: ‪D:\tf\1.jpg : \udcceļ\udcfe\udcc3\udcfb\udca1\udca2Ŀ¼\udcc3\udcfb\udcbb\udcf2\udcbe\udced\udcb1\udcea\udcd3﷨\udcb2\udcbb\udcd5\udcfdȷ\udca1\udca3

; Unknown error

最后放两个不错的补充链接：

https://blog.csdn.net/juezhanangle/article/details/78725913

https://blog.csdn.net/muyiyushan/article/details/64124953