Tensorflow筆記——可視化預測結果

本章的前期工作以及神經網絡的搭建：https://blog.csdn.net/ileopard/article/details/102763645

一、可視化界面設計

    使用 tkinter來設計可視化界面

1.新建窗體

from tkinter import Label, Menu, DoubleVar, Button, Tk, filedialog
window = Tk()  # 創建窗口
    window.title("用戶頁面")  # 窗口標題
    window.geometry('240x360')  # 窗口大小，小寫字母x

    # 這裏可以在窗體內添加其他的控件

    # 以上是窗口的主體
    window.mainloop()  # 結束（不停循環刷新）

2.添加控件（Label, Menu, DoubleVar, Button）

# 最後這個菜單欄沒有用到，但是還是把它放在這，以後可能會用到
# ---------------窗口菜單欄
    menubar = Menu(window)  # 在窗口上添加菜單欄
    filemenu = Menu(menubar, tearoff=0)  # filemenu放在menu中
    submenu = Menu(filemenu)  # submenu放在filemenu中
    ssubmenu = Menu(submenu)  # ssubmenu放在submenu中
    menubar.add_cascade(label='File', menu=filemenu)  # add_cascade用來創建下拉欄，filemenu命名爲File
    filemenu.add_command(label='Open', command=Open_image)  # add_command用來創建命令欄，不可有子項
    filemenu.add_cascade(label='1', menu=submenu)  # submenu 命名爲1
    submenu.add_cascade(label='2', menu=ssubmenu)  # ssubmenu 命名爲2
    window.config(menu=menubar)  # 創建完畢
    # --------------------------

下面是本次所用到的控件：

# label，如果要在label中設置圖片，記得一定要設置參數bitmap
Input_image = Label(width=200,
                        height=200,
                        bitmap='warning',
                        bg='white').grid(row=0, column=0, padx=20)



# 使用grid佈局，像表格一樣的佈局，其中padx表示x距離外部邊界的大小，ipadx表示與內部的
# sticky表示位置，w表示西，e表示東
testLabel = Label(window,
                  text="testAccuracy: ",  # 文本
                  font=('Arial', 10),  # 字體和大小
                  width=10,
                  height=2,  # 字體所佔的寬度和高度
                  ).grid(row=1, column=0, sticky='w', pady=5, padx=36)

testAccuracy = Label(window,
                     textvar=textTest,  # 文本
                     font=('Arial', 10),  # 字體和大小
                     width=10,
                     height=2,  # 字體所佔的寬度和高度
                     bg='white'
                     ).grid(row=1, column=0, sticky='e', pady=5, padx=36)
textTest.set(0.0)


# 使用Button。
startB = Button(
        window,
        text='開始',
        width=8, height=2,
        command=application  # 執行函數體，而不是得到函數執行的結果
    ).grid(row=3, column=0, pady=5)

這樣大致就做好了界面設計

二、具體功能的實現

大致流程：

下面主要進行三步：

• 從電腦中輸入圖片（Open_image()）
• 預處理輸入圖片（）
• 加載之前訓練好的模型進行預測

1.從電腦中輸入圖片

• 使用filedialog從電腦中選擇圖片，返回絕對路徑。
• 之後通過該路徑，打開圖片，將其放入可視化界面的Input_image中。
• 最後返回該圖片

# 打開電腦中的圖片
def Open_image():
    global Input_image, File
    File = filedialog.askopenfilename(parent=window,
                                      initialdir=ImagePath,
                                      title='Choose an image.')
    img = Image.open(File)
    img_resized = img.resize((28 * 4, 28 * 4), Image.ANTIALIAS)
    filename = ImageTk.PhotoImage(img_resized)
    Input_image = Label(image=filename)
    Input_image.image = filename
    Input_image.grid(row=0, column=0)
    return img_resized

2.預處理輸入圖片

• 將圖片resize爲28*28大小
• 將圖片灰度化
• 由於模型的要求是黑底白字，但輸入的圖是白底黑字，所以需要對每個像素點的值改爲 255 減去原值以得到互補的反色。
• 把圖片reshape成一維數組（784個像素點）
• 將現有的RGB圖從0-255之間的數變爲0-1之間的浮點數
• 返回預處理好的圖片

# 預處理函數
def predicted(img):
    # 將圖片resize爲28*28大小
    reIm = img.resize((28, 28), Image.ANTIALIAS)
    # 將圖片灰度化
    im_arr = np.array(reIm.convert('L'))
    threshold = 50  # 設定合理的閾值
    # 二值化
    for i in range(28):
        for j in range(28):
            im_arr[i][j] = 255 - im_arr[i][j]
            if im_arr[i][j] < threshold:
                im_arr[i][j] = 0
            else:
                im_arr[i][j] = 255
    # 將圖片轉化爲一維數組（784個像素點）
    nm_arr = im_arr.reshape([1, 784])
    nm_arr = nm_arr.astype(np.float32)
    # 將現有的RGB圖從0-255之間的數變爲0-1之間的浮點數
    img_ready = np.multiply(nm_arr, 1.0 / 255.0)
    return img_ready

3.加載模型進行預測

• 復現之前定義的計算圖（神經網絡），記得佔位
• 通過checkpoint文件找到最新保存的模型位置
• 進行預測，返回預測值

# 加載模型
def restore_model(testPicArr):
    # 復現之前定義的計算圖
    with tf.Graph().as_default() as g:
        x = tf.placeholder(tf.float32, [None, mnist_forward.INPUT_NODE])
        y_ = tf.placeholder(tf.float32, [None, mnist_forward.OUTPUT_NODE])
        y = mnist_forward.forward(x, None)
        # 得到概率最大的預測值
        preValue = tf.argmax(y, 1)

        # 計算模型在測試集上的準確率
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        # 實現滑動平均模型，參數MOVING_AVERAGE_DECAY用於控制模型更新的速度。訓練過程會對每一個變量維護一個影子變量。
        # 這個影子變量的初始值就是相應變量的初始值，每次更新時，影子變量就會隨之更新
        variable_averages = tf.train.ExponentialMovingAverage(mnist_backward.MOVING_AVERAGE_DECAY)
        variables_to_restore = variable_averages.variables_to_restore()
        saver = tf.train.Saver(variables_to_restore)

        with tf.Session() as sess:
            # 通過checkpoint文件找到最新保存的模型位置
            ckpt = tf.train.get_checkpoint_state(mnist_backward.MODEL_SAVE_PATH)
            if ckpt and ckpt.model_checkpoint_path:
                saver.restore(sess, ckpt.model_checkpoint_path)
                preValue = sess.run(preValue, feed_dict={x: testPicArr})
                mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
                accuracy_score = sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})
                textTest.set(accuracy_score)
                return preValue
            else:
                print("No checkpoint file found")
                return -1

三、預測結果

這樣可視化預測就完成了。

但是有一個問題就是該模型只能用於預測白底黑字的手寫數字圖片，還需要改進。