Складання прогнозів за допомогою моделі TensorFlow

Question 1

Я дотримувався наведених підручників з mnist і мав змогу навчити модель та оцінити її точність. Однак підручники не показують, як робити прогнози за даною моделлю. Мене не цікавить точність, я просто хочу використати модель для прогнозування нового прикладу, а на виході побачити всі результати (мітки), кожен із присвоєним їм балом (відсортовано чи ні).

Question 2

In the "Deep MNIST for Experts" example, see this line:

Тепер ми можемо реалізувати нашу модель регресії. Це займає лише один рядок! Ми множимо векторизовані вхідні зображення x на матрицю ваги W, додаємо зсув b і обчислюємо ймовірності softmax, призначені кожному класу.
y = tf.nn.softmax(tf.matmul(x,W) + b)

Просто натягніть вузол y, і ви отримаєте те, що хочете.

feed_dict = {x: [your_image]}
classification = tf.run(y, feed_dict)
print classification

Це стосується практично будь-якої моделі, яку ви створюєте - ви розрахували ймовірності прогнозування як один із останніх кроків перед обчисленням втрат.

Question 3

Як запропонував @dga, вам потрібно запустити новий екземпляр даних за допомогою вашої вже передбаченої моделі.

Ось приклад:

Припустимо, ви пройшли перший підручник і розрахували точність вашої моделі (модель така:) y = tf.nn.softmax(tf.matmul(x, W) + b). Тепер ви берете свою модель і застосовуєте до неї нову точку даних. У наступному коді я обчислюю вектор, отримуючи положення максимального значення. Покажіть зображення та надрукуйте максимальне положення.

from matplotlib import pyplot as plt
from random import randint
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
print 'NN predicted', classification[0]

Question 4

2.0 Сумісна відповідь : Припустимо, ви створили модель Keras, як показано нижче:

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Потім навчіть та оцініть модель, використовуючи наведений нижче код:

model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

Після цього, якщо ви хочете передбачити клас конкретного зображення, ви можете зробити це, використовуючи наведений нижче код:

predictions_single = model.predict(img)

Якщо ви хочете передбачити класи набору зображень, ви можете скористатися наведеним нижче кодом:

predictions = model.predict(new_images)

де new_images- масив зображень.

Для отримання додаткової інформації зверніться до цього посібника з Tensorflow .

Question 5

Питання стосується спеціально підручника Google MNIST , який визначає предиктор, але не застосовує його. Використовуючи вказівки із допису блогу TensorFlow Estimator Джонатана Хуя , ось код, який точно відповідає навчальному посібнику Google і робить прогнози:

from matplotlib import pyplot as plt

images = mnist.test.images[0:10]

predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x":images},
      num_epochs=1,
      shuffle=False)

mnist_classifier.predict(input_fn=predict_input_fn)

for image,p in zip(images,mnist_classifier.predict(input_fn=predict_input_fn)):
    print(np.argmax(p['probabilities']))
    plt.imshow(image.reshape(28, 28), cmap=plt.cm.binary)
    plt.show()