如何在 Tensorflow 上测试自己的图像到 Cifar-10 教程？

我训练了 Tensorflow Cifar10 模型，我想为其提供自己的单个图像（32*32，jpg/png）。

我想将标签和每个标签的概率视为输出，但我对此遇到了一些麻烦。

搜索堆栈溢出后，我发现了一些帖子this https://stackoverflow.com/questions/37578876/how-to-feed-cifar10-trained-model-with-my-own-image-and-get-label-as-output我修改了cifar10_eval.py。

但这根本不起作用。

错误消息是：

InvalidArgumentError 回溯（最近一次调用最后一次） in () ----> 1 evaluate()

在评估（） 86 # 从检查点恢复 87 print("ckpt.model_checkpoint_path", ckpt.model_checkpoint_path) ---> 88 saver.restore(sess, ckpt.model_checkpoint_path) 89 # 假设 model_checkpoint_path 看起来像： 90 # /我最喜欢的路径/cifar10_train/model.ckpt-0，

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/training/saver.pyc 在恢复（自我，sess，save_path）1127提高 ValueError(“使用无效的保存路径%s调用恢复”% save_path)
第1128章 -> 1129 {self.saver_def.filename_tensor_name: save_path}) 1130 1131 @staticmethod

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在运行（自我，获取，feed_dict，选项，run_metadata） 第380章 第381章 --> 382 run_metadata_ptr) 第383章 第384章

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _run(self, 句柄, 获取, feed_dict, 选项, run_metadata) 第653章 第654章 --> 655 feed_dict_string、选项、run_metadata） 第656章 第657章

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _do_run(self, 句柄, target_list, fetch_list, feed_dict, 选项, 运行元数据） 第721章 第722章 --> 723 target_list、选项、run_metadata） 第724章： 第725章

/home/huray/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/python/client/session.pyc 在 _do_call(self, fn, *args) 中 741 除了 KeyError： 第742章 --> 743 引发类型（e）（node_def，op，消息） 第744章 第745章

InvalidArgumentError：分配需要两个张量的形状匹配。 左轴形状= [18,384] 右轴形状= [2304,384] [[节点：保存/分配_5 = 分配[T=DT_FLOAT, _class=["loc:@local3/weights"], use_locking=true, validate_shape=true, _device="/job:localhost/replica:0/task:0/cpu:0"](local3/weights, save/restore_slice_5)]]

任何有关 Cifar10 的帮助将不胜感激。

这是迄今为止已实现的代码，但存在编译问题：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from datetime import datetime
import math
import time

import numpy as np
import tensorflow as tf
import cifar10

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('eval_dir', '/tmp/cifar10_eval',
                           """Directory where to write event logs.""")
tf.app.flags.DEFINE_string('eval_data', 'test',
                           """Either 'test' or 'train_eval'.""")
tf.app.flags.DEFINE_string('checkpoint_dir', '/tmp/cifar10_train',
                           """Directory where to read model checkpoints.""")
tf.app.flags.DEFINE_integer('eval_interval_secs', 5,
                            """How often to run the eval.""")
tf.app.flags.DEFINE_integer('num_examples', 1,
                            """Number of examples to run.""")
tf.app.flags.DEFINE_boolean('run_once', False,
                         """Whether to run eval only once.""")

def eval_once(saver, summary_writer, top_k_op, summary_op):
  """Run Eval once.

  Args:
    saver: Saver.
    summary_writer: Summary writer.
    top_k_op: Top K op.
    summary_op: Summary op.
  """
  with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
    if ckpt and ckpt.model_checkpoint_path:
      # Restores from checkpoint
      saver.restore(sess, ckpt.model_checkpoint_path)
      # Assuming model_checkpoint_path looks something like:
      #   /my-favorite-path/cifar10_train/model.ckpt-0,
      # extract global_step from it.
      global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
    else:
      print('No checkpoint file found')
      return
    print("Check point : %s" % ckpt.model_checkpoint_path)

    # Start the queue runners.
    coord = tf.train.Coordinator()
    try:
      threads = []
      for qr in tf.get_collection(tf.GraphKeys.QUEUE_RUNNERS):
        threads.extend(qr.create_threads(sess, coord=coord, daemon=True,
                                         start=True))

      num_iter = int(math.ceil(FLAGS.num_examples / FLAGS.batch_size))
      true_count = 0  # Counts the number of correct predictions.
      total_sample_count = num_iter * FLAGS.batch_size
      step = 0
      while step < num_iter and not coord.should_stop():
        predictions = sess.run([top_k_op])
        true_count += np.sum(predictions)
        step += 1

      # Compute precision @ 1.
      precision = true_count / total_sample_count
      print('%s: precision @ 1 = %.3f' % (datetime.now(), precision))

      summary = tf.Summary()
      summary.ParseFromString(sess.run(summary_op))
      summary.value.add(tag='Precision @ 1', simple_value=precision)
      summary_writer.add_summary(summary, global_step)
    except Exception as e:  # pylint: disable=broad-except
      coord.request_stop(e)

    coord.request_stop()
    coord.join(threads, stop_grace_period_secs=10)


def evaluate():
  """Eval CIFAR-10 for a number of steps."""
  with tf.Graph().as_default() as g:
    # Get images and labels for CIFAR-10.
    eval_data = FLAGS.eval_data == 'test'
#     images, labels = cifar10.inputs(eval_data=eval_data)

    # TEST CODE
    img_path = "/TEST_IMAGEPATH/image.png"
    input_img = tf.image.decode_png(tf.read_file(img_path), channels=3)
    casted_image = tf.cast(input_img, tf.float32)

    reshaped_image = tf.image.resize_image_with_crop_or_pad(casted_image, 24, 24)
    float_image = tf.image.per_image_withening(reshaped_image)
    images = tf.expand_dims(reshaped_image, 0) 

    logits = cifar10.inference(images)
    _, top_k_pred = tf.nn.top_k(logits, k=1)


    with tf.Session() as sess:
        saver = tf.train.Saver()
        ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
        if ckpt and ckpt.model_checkpoint_path:
          print("ckpt.model_checkpoint_path ", ckpt.model_checkpoint_path)
          saver.restore(sess, ckpt.model_checkpoint_path)
          global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
        else:
          print('No checkpoint file found')
          return

        print("Check point : %s" % ckpt.model_checkpoint_path)
        top_indices = sess.run([top_k_pred])
        print ("Predicted ", top_indices[0], " for your input image.")

evaluate()

视频https://youtu.be/d9mSWqfo0Xw https://youtu.be/d9mSWqfo0Xw显示了对单个图像进行分类的示例。

在网络经过 python cifar10_train.py 训练后，我们评估 CIFAR-10 数据库的单个图像 deer6.png 和火柴盒自己的照片。 TF教程原始源码最重要的修改如下：

首先，需要将这些图像转换为 cifar10_input.py 可以读取的二进制形式。通过使用可以在以下位置找到的代码片段可以轻松完成此操作如何创建类似于 cifar-10 的数据集 https://stackoverflow.com/questions/35032675/how-to-create-dataset-similar-to-cifar-10

然后，为了读取转换后的图像（称为 input.bin），我们需要修改 cifar10_input.py 中的函数 input()：

  else:
    #filenames = [os.path.join(data_dir, 'test_batch.bin')]
    filenames = [os.path.join(data_dir, 'input.bin')]

（data_dir 等于“./”）

最后为了获得标签，我们修改了源 cifar10_eval.py 中的函数 eval_once()：

      #while step < num_iter and not coord.should_stop():
      #  predictions = sess.run([top_k_op])
      print(sess.run(logits[0]))
      classification = sess.run(tf.argmax(logits[0], 0))
      cifar10classes = ["airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse", "ship", "truck"]
      print(cifar10classes[classification])

      #true_count += np.sum(predictions)
      step += 1

      # Compute precision @ 1.
      precision = true_count / total_sample_count
      # print('%s: precision @ 1 = %.3f' % (datetime.now(), precision))

当然，您需要进行一些小的修改。