TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片

下面是关于TensorFlow卷积神经网络之使用训练好的模型识别猫狗图片的完整攻略，包含两个示例说明。

示例1：使用训练好的模型识别猫狗图片

以下是一个使用训练好的模型识别猫狗图片的示例：

import tensorflow as tf
import numpy as np
import cv2

# 加载模型
model = tf.keras.models.load_model('cat_dog_model.h5')

# 加载图片
img = cv2.imread('cat.jpg')
img = cv2.resize(img, (150, 150))
img = np.expand_dims(img, axis=0)

# 预测图片
prediction = model.predict(img)

# 输出预测结果
if prediction[0][0] > prediction[0][1]:
    print('This is a cat.')
else:
    print('This is a dog.')

在这个示例中，我们首先使用tf.keras.models.load_model()函数加载训练好的模型。然后，我们使用OpenCV库加载一张猫或狗的图片，并将其调整为模型所需的大小。接着，我们使用np.expand_dims()函数将图片的维度扩展为(1, 150, 150, 3)，以便于模型进行预测。最后，我们使用model.predict()函数对图片进行预测，并根据预测结果输出猫或狗的标签。

示例2：使用训练好的模型批量识别猫狗图片

以下是一个使用训练好的模型批量识别猫狗图片的示例：

import tensorflow as tf
import numpy as np
import cv2
import os

# 加载模型
model = tf.keras.models.load_model('cat_dog_model.h5')

# 加载图片
img_dir = 'test_images'
img_list = os.listdir(img_dir)

for img_name in img_list:
    img_path = os.path.join(img_dir, img_name)
    img = cv2.imread(img_path)
    img = cv2.resize(img, (150, 150))
    img = np.expand_dims(img, axis=0)

    # 预测图片
    prediction = model.predict(img)

    # 输出预测结果
    if prediction[0][0] > prediction[0][1]:
        print(img_name, 'is a cat.')
    else:
        print(img_name, 'is a dog.')

在这个示例中，我们首先使用tf.keras.models.load_model()函数加载训练好的模型。然后，我们使用os.listdir()函数获取指定目录下的所有图片文件名，并使用for循环遍历每个图片文件。接着，我们使用OpenCV库加载图片，并将其调整为模型所需的大小。最后，我们使用model.predict()函数对图片进行预测，并根据预测结果输出猫或狗的标签。

总结

在这个攻略中，我们介绍了如何使用训练好的模型识别猫狗图片。我们使用了TensorFlow库中的tf.keras.models.load_model()函数加载训练好的模型，并使用OpenCV库加载图片并调整大小。在预测时，我们使用model.predict()函数对图片进行预测，并根据预测结果输出猫或狗的标签。在实际应用中，我们可以根据具体的需求选择合适的模型和方法，以获得更好的识别效果。