第八屆中國Python開發者大會PyConChina2018，由PyChina.org發起，由來自CPyUG/TopGeek等社群的30位組織者，近150位志願者在北京、上海、深圳、杭州、成都等城市舉辦。致力於推動各類Python相關的技術在網際網路、企業應用等領域的研發和應用。
程式碼醫生工作室有幸接受邀請，參加了這次會議的北京站專場。在會上主要分享了《人工智慧實戰案例分享-影象處理與數值分析》。
會上分享的一些案例主要是來源於《python帶我起飛——入門、進階、商業實戰》一書與《深度學習之TensorFlow：入門、原理與進階實戰》一書。另外，還擴充了若干其它案例。在本文作為補充，將會上分享的其它案例以詳細的圖文方式補充進來，並提供原始碼。共分為4期連載。
用slim呼叫PNASNet模型
用slim微調PNASNet模型
用對抗樣本攻擊PNASNet模型
惡意域名檢測例項
通過微調模型實現分辨男女
案例描述
有一組照片，分為男人和女人。
本案就是讓深度學習模型來學習這些樣本，並能夠找到其中的規律，完成模型的訓練。接著可以使用該模型對圖片中的人物進行識別，區分其性別是男還是女。
本案例中，使用了一個NASNet_A_Mobile的模型來做二次訓練。具體過程分為4步：
（1）準備樣本；
（2）準備NASNet_A_Mobile網路模型；
（3）編寫程式碼進行二次訓練；
（4）使用已經訓練好的模型進行測試。
準備樣本
通過如下連結下載CelebA資料集：
mmlab.ie.cuhk.edu.hk/projects/Ce…
下載完之後，解壓，並手動分出一部分男人與女人的照片。
在本例中，一共用了20000張圖片用來訓練模型，其中訓練樣本由8421張男性頭像和11599張女性頭像構成（在train資料夾下），測試樣本由10張男性頭像和10張女性頭像構成（在val資料夾下）。部分樣本資料如圖5-1。
圖5-1 男女資料集樣本示例
資料樣本整理好後，統一放到data資料夾下。該資料樣本同樣也可以在隨書的配套資源中找到。
程式碼環境及模型準備
為了使讀者能夠快速完成該例項，直觀上感受到模型的識別能力，可以直接使用本書配套的資源。並將其放到程式碼的同級目錄下即可。
如果想體驗下從零開始手動搭建，也可以按照下面的方法準備程式碼環境及預編譯模型。
1. 下載models與部署TensorFlow slim模組
該部分的內容與3.1節完全一樣，這裡不再詳述。
2. 下載NASNet_A_Mobile模型
該部分的內容與3.1節類似。在如圖3-2中的倒數第3個模型，找到 “nasnet-a_mobile_04_10_2017.tar.gz”的下載連結。將其下載並解壓。
3. 整體程式碼檔案部署結構
本案例是通過4個程式碼檔案來實現的，具體檔案及描述如下：
l 5-1 mydataset.py：處理男女圖片資料集的程式碼；
l 5-2 model.py：載入預編譯模型NASNet_A_Mobile，並進行微調的程式碼；
l 5-3 train.py：訓練模型的程式碼；
l 5-4 test.py：測試模型的程式碼。
部署時，將這4個程式碼檔案與slim庫、NASNet_A_Mobile模型、樣本一起放到一個資料夾下即可。完整的檔案結構如圖5-2。
圖5-2 分辨男女案例的檔案結構
程式碼實現：處理樣本資料並生成Dataset物件
本案例中，直接將資料集的相關操作封裝到了“5-1 mydataset.py”程式碼檔案裡。在該檔案中，實現了符合訓練與測試使用場景的資料集。在訓練模式下，會對資料進行亂序處理；在測試模式下，直接使用順序資料。兩種資料集都是按批次讀取。
這部分的知識在第4章已經有全面的介紹，這裡不再詳述。完整程式碼如下：
程式碼5-1 mydataset
1 import tensorflow as tf
2 import sys
3 nets_path = r'slim' #載入環境變數
4 if nets_path not in sys.path:
5 sys.path.insert(0,nets_path)
6 else:
7 print('already add slim')
8 from nets.nasnet import nasnet #匯出nasnet
9 slim = tf.contrib.slim #slim
10 image_size = nasnet.build_nasnet_mobile.default_image_size #獲得圖片輸入尺寸 224
11 from preprocessing import preprocessing_factory #影象處理
12
13 import os
14 def list_images(directory):
15 """
16 獲取所有directory中的所有圖片和標籤
17 """
18
19 #返回path指定的資料夾包含的檔案或資料夾的名字的列表
20 labels = os.listdir(directory)
21 #對標籤進行排序，以便訓練和驗證按照相同的順序進行
22 labels.sort()
23 #建立檔案標籤列表
24 files_and_labels = []
25 for label in labels:
26 for f in os.listdir(os.path.join(directory, label)):
27 #轉換字串中所有大寫字元為小寫再判斷
28 if 'jpg' in f.lower() or 'png' in f.lower():
29 #加入列表
30 files_and_labels.append((os.path.join(directory, label, f), label))
31 #理解為解壓 把資料路徑和標籤解壓出來
32 filenames, labels = zip(*files_and_labels)
33 #轉換為列表 分別儲存資料路徑和對應標籤
34 filenames = list(filenames)
35 labels = list(labels)
36 #列出分類總數 比如兩類：['man', 'woman']
37 unique_labels = list(set(labels))
38
39 label_to_int = {}
40 #迴圈列出資料和資料下標,給每個分類打上標籤{'woman': 2, 'man': 1，none：0}
41 for i, label in enumerate(sorted(unique_labels)):
42 label_to_int[label] = i+1
43 print(label,label_to_int[label])
44 #把每個標籤化為0 1 這種形式
45 labels = [label_to_int[l] for l in labels]
46 print(labels[:6],labels[-6:])
47 return filenames, labels #返回儲存資料路徑和對應轉換後的標籤
48
49 num_workers = 2 #定義並行處理資料的執行緒數量
50
51 #影象批量預處理
52 image_preprocessing_fn = preprocessing_factory.get_preprocessing('nasnet_mobile', is_training=True)
53 image_eval_preprocessing_fn = preprocessing_factory.get_preprocessing('nasnet_mobile', is_training=False)
54
55 def _parse_function(filename, label): #定義影象解碼函式
56 image_string = tf.read_file(filename)
57 image = tf.image.decode_jpeg(image_string, channels=3)
58 return image, label
59
60 def training_preprocess(image, label): #定義調整影象大小函式
61 image = image_preprocessing_fn(image, image_size, image_size)
62 return image, label
63
64 def val_preprocess(image, label): #定義評估影象預處理函式
65 image = image_eval_preprocessing_fn(image, image_size, image_size)
66 return image, label
67
68 #建立帶批次的資料集
69 def creat_batched_dataset(filenames, labels,batch_size,isTrain = True):
70
71 dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))
72
73 dataset = dataset.map(_parse_function, num_parallel_calls=num_workers) #對影象解碼
74
75 if isTrain == True:
76 dataset = dataset.shuffle(buffer_size=len(filenames)) #打亂資料順序
77 dataset = dataset.map(training_preprocess, num_parallel_calls=num_workers)#調整影象大小
78 else:
79 dataset = dataset.map(val_preprocess,num_parallel_calls=num_workers) #調整影象大小
80
81 return dataset.batch(batch_size) #返回批次資料
82
83 #根據目錄返回資料集
84 def creat_dataset_fromdir(directory,batch_size,isTrain = True):
85 filenames, labels = list_images(directory)
86 num_classes = len(set(labels))
87 dataset = creat_batched_dataset(filenames, labels,batch_size,isTrain)
88 return dataset,num_classes 複製程式碼程式碼11行，匯入了preprocessing_factory函式，該函式是slim模組中封裝好的工廠函式，用於生成模型的預處理函式。利用統一封裝好的預處理函式，對樣本進行操作（程式碼60、61行），可以提升開發效率，並能夠減小出錯的可能性。
工廠函式的知識點，屬於Python基礎知識，這裡不再詳述。有興趣的讀者可以參考《python帶我起飛——入門、進階、商業實戰》一書的6.10節。
程式碼實現：定義微調模型類MyNASNetModel
在微調模型的實現中，統一通過定義類MyNASNetModel來實現。在類MyNASNetModel中，大致可分為2大動作：初始化設定、構建模型。
l 初始化設定：定義好構建模型時所需要的必要引數；
l 構建模型：針對訓練、測試、應用的三種情況分別構建不同的網路模型。在訓練過程中，還要支援載入預編譯模型及微調模型。
實現定義類MyNASNetModel並進行初始化模型設定的程式碼如下：
程式碼5-2 model
1 import sys
2 nets_path = r'slim' #載入環境變數
3 if nets_path not in sys.path:
4 sys.path.insert(0,nets_path)
5 else:
6 print('already add slim')
7
8 import tensorflow as tf
9 from nets.nasnet import nasnet #匯出nasnet
10 slim = tf.contrib.slim
11
12 import os
13 mydataset = __import__("5-1 mydataset")
14 creat_dataset_fromdir = mydataset.creat_dataset_fromdir
15
16 class MyNASNetModel(object):
17 """微調模型類MyNASNetModel
18 """
19 def __init__(self, model_path=''):
20 self.model_path = model_path #原始模型的路徑 複製程式碼程式碼20行為初始化MyNASNetModel類的操作。model_path指的是所要載入的原始預編譯模型。該操作只有在訓練模式下是有意義的。在測試和應用模式下，可以為空。
構建MyNASNetModel類中的基本模型
在構建模型中，無論是訓練、測試還是應用，都需要將最基本的NASNet_A_Mobile模型載入。這裡通過定義MyNASNetModel類的MyNASNet方法來實現。具體的實現方式與3.3節的實現基本一致，不同的是3.3節構建的是PNASNet網路結構，這裡構建的NASNet_A_Mobile結構。
程式碼5-2 model（續）
21 def MyNASNet(self,images,is_training):
22 arg_scope = nasnet.nasnet_mobile_arg_scope() #獲得模型名稱空間
23 with slim.arg_scope(arg_scope):
24 #構建NASNet Mobile模型
25 logits, end_points = nasnet.build_nasnet_mobile(images,num_classes = self.num_classes+1, is_training=is_training)
26
27 global_step = tf.train.get_or_create_global_step() #定義記錄步數的張量
28
29 return logits,end_points,global_step #返回有用的張量
複製程式碼程式碼25行中，往num_classes引數裡傳的值代表分類的個數，在本案例中分為男人和女人，一共兩類（即，self.num_classes=2，該值是在後文5.2.8節中，build_model方法被賦值的）。再加上一個None類。於是傳入的值為self.num_classes+1。
實現MyNASNetModel類中的微調操作
微調操作是針對訓練場景下使用的。通過定義MyNASNetModel類中的FineTuneNASNet方法來實現。微調操作主要是對預編譯模型的超參進行選擇性恢復。
因為預編譯模型NASNet_A_Mobile是在ImgNet上訓練的，有1000個分類，而本案例中識別男女的任務只有兩個分類。所以最後兩個輸出層的超參不應該被恢復（由於分類不同，導致超參的個數不同）。在實際使用時，最後兩層的引數需要對其初始化，並單獨訓練即可。
程式碼5-2 model（續）
30 def FineTuneNASNet(self,is_training): #實現微調模型的網路操作
31 model_path = self.model_path
32
33 exclude = ['final_layer','aux_7'] #恢復超參， 除了exclude以外的全部恢復
34 variables_to_restore = slim.get_variables_to_restore(exclude=exclude)
35 if is_training == True:
36 init_fn = slim.assign_from_checkpoint_fn(model_path, variables_to_restore)
37 else:
38 init_fn = None
39
40 tuning_variables = [] #將沒有恢復的超參收集起來，用於微調訓練
41 for v in exclude:
42 tuning_variables += slim.get_variables(v)
43
44 return init_fn, tuning_variables複製程式碼程式碼中，使用了exclude列表，將不需要恢復的網路節點收集起來（程式碼33行），接著將預訓練模型中的超參值賦值給剩下的節點，完成了預訓練模型的載入（程式碼36行）。最後使用了tuning_variables列表，將不需要恢復的網路節點權重收集起來（程式碼40行），用於微調訓練。
程式碼實現：實現與訓練相關的其他方法
在MyNASNetModel類中,還需要定義與訓練操作相關的其他方法，具體如下：
l build_acc_base方法：用於構建評估模型的相關節點；
l load_cpk方法：用於載入及儲存模型檢查點
l build_model_train方法：用於構建訓練模型中的損失函式及優化器等操作節點。
具體程式碼如下：
程式碼5-2 model（續）
45 def build_acc_base(self,labels):#定義評估函式
46 #返回張量中最大值的索引
47 self.prediction = tf.to_int32(tf.argmax(self.logits, 1))
48 #計算prediction、labels是否相同
49 self.correct_prediction = tf.equal(self.prediction, labels)
50 #計算平均值
51 self.accuracy = tf.reduce_mean(tf.to_float(self.correct_prediction))
52 #將前5個最高正確率的值取出來，計算平均值
53 self.accuracy_top_5 = tf.reduce_mean(tf.to_float(tf.nn.in_top_k(predictions=self.logits, targets=labels, k=5)))
54
55 def load_cpk(self,global_step,sess,begin = 0,saver= None,save_path = None): #儲存和匯出模型
56 if begin == 0:
57 save_path=r'./train_nasnet' #定義檢查點路徑
58 if not os.path.exists(save_path):
59 print("there is not a model path:",save_path)
60 saver = tf.train.Saver(max_to_keep=1) #生成saver
61 return saver,save_path
62 else:
63 kpt = tf.train.latest_checkpoint(save_path) #查詢最新的檢查點
64 print("load model:",kpt)
65 startepo= 0 #計步
66 if kpt!=None:
67 saver.restore(sess, kpt) #還原模型
68 ind = kpt.find("-")
69 startepo = int(kpt[ind+1:])
70 print("global_step=",global_step.eval(),startepo)
71 return startepo
72
73 def build_model_train(self,images,
74 labels,learning_rate1,learning_rate2,is_training):
75 self.logits,self.end_points,
76 self.global_step= self.MyNASNet(images,is_training=is_training)
77 self.step_init = self.global_step.initializer
78
79 self.init_fn,self.tuning_variables = self.FineTuneNASNet(
80 is_training=is_training)
81 #定義損失函式
82 tf.losses.sparse_softmax_cross_entropy(labels=labels,
83 logits=self.logits)
84 loss = tf.losses.get_total_loss()
85 #定義微調的率退化學習速率
86 learning_rate1=tf.train.exponential_decay(
87 learning_rate=learning_rate1, global_step=self.global_step,
88 decay_steps=100, decay_rate=0.5)
89 #定義聯調的率退化學習速率
90 learning_rate2=tf.train.exponential_decay(
91 learning_rate=learning_rate2, global_step=self.global_step,
92 decay_steps=100, decay_rate=0.2)
93 last_optimizer = tf.train.AdamOptimizer(learning_rate1) #優化器
94 full_optimizer = tf.train.AdamOptimizer(learning_rate2)
95 update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
96 with tf.control_dependencies(update_ops): #更新批量歸一化中的引數
97 #使loss減小方向做優化
98 self.last_train_op = last_optimizer.minimize(loss, self.global_step,var_list=self.tuning_variables)
99 self.full_train_op = full_optimizer.minimize(loss, self.global_step)
100
101 self.build_acc_base(labels) #定義評估模型相關指標
102 #寫入日誌，支援tensorBoard操作
103 tf.summary.scalar('accuracy', self.accuracy)
104 tf.summary.scalar('accuracy_top_5', self.accuracy_top_5)
105
106 #將收集的所有預設圖表併合並
107 self.merged = tf.summary.merge_all()
108 #寫入日誌檔案
109 self.train_writer = tf.summary.FileWriter('./log_dir/train')
110 self.eval_writer = tf.summary.FileWriter('./log_dir/eval')
111 #定義檢查點相關變數
112 self.saver,self.save_path = self.load_cpk(self.global_step,None)複製程式碼在上面程式碼中，使用了tf.losses介面來獲得loss值。通過呼叫tf.losses.sparse_softmax_cross_entropy 函式計算具體的loss（見程式碼82行）。該函式會自動將loss值新增到內部集合ops.GraphKeys.LOSSES中。然後呼叫tf.losses.get_total_loss函式，將ops.GraphKeys.LOSSES集合中的所有loss值獲取，並返回回來（見程式碼84行）。
在程式碼96行中，在反向優化時，使用了tf.control_dependencies函式對的批量歸一化操作中的均值與方差進行更新。
程式碼實現：構建模型，用於訓練、測試、使用
在MyNASNetModel類中，定義build_model方法用與構建模型的實現。在build_model方法中，通過引數mode來指定模型的具體使用場景。具體程式碼如下：
程式碼5-2 model（續）
113 def build_model(self,mode='train',testdata_dir='./data/val',traindata_dir='./data/train', batch_size=32,learning_rate1=0.001,learning_rate2=0.001):
114
115 if mode == 'train':
116 tf.reset_default_graph()
117 #建立訓練資料和測試資料的Dataset資料集
118 dataset,self.num_classes = creat_dataset_fromdir(traindata_dir,batch_size)
119 testdataset,_ = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False)
120
121 #建立一個可初始化的迭代器
122 iterator = tf.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)
123 #讀取資料
124 images, labels = iterator.get_next()
125
126 self.train_init_op = iterator.make_initializer(dataset)
127 self.test_init_op = iterator.make_initializer(testdataset)
128
129 self.build_model_train(images, labels,learning_rate1,learning_rate2,is_training=True)
130 self.global_init = tf.global_variables_initializer() #定義全域性初始化op
131 tf.get_default_graph().finalize() #將後續的圖設為只讀
132 elif mode == 'test':
133 tf.reset_default_graph()
134
135 #建立測試資料的Dataset資料集
136 testdataset,self.num_classes = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False)
137
138 #建立一個可初始化的迭代器
139 iterator = tf.data.Iterator.from_structure(testdataset.output_types, testdataset.output_shapes)
140 #讀取資料
141 self.images, labels = iterator.get_next()
142
143 self.test_init_op = iterator.make_initializer(testdataset)
144 self.logits,self.end_points, self.global_step= self.MyNASNet(self.images,is_training=False)
145 self.saver,self.save_path = self.load_cpk(self.global_step,None) #定義檢查點相關變數
146 #評估指標
147 self.build_acc_base(labels)
148 tf.get_default_graph().finalize() #將後續的圖設為只讀
149 elif mode == 'eval':
150 tf.reset_default_graph()
151 #建立測試資料的Dataset資料集
152 testdataset,self.num_classes = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False)
153
154 #建立一個可初始化的迭代器
155 iterator = tf.data.Iterator.from_structure(testdataset.output_types, testdataset.output_shapes)
156 #讀取資料
157 self.images, labels = iterator.get_next()
158
159 self.logits,self.end_points, self.global_step= self.MyNASNet(self.images,is_training=False)
160 self.saver,self.save_path = self.load_cpk(self.global_step,None) #定義檢查點相關變數
161 tf.get_default_graph().finalize() #將後續的圖設為只讀複製程式碼程式碼115行，對mode進行了判斷，並按照具體的場景進行構建模型。針對訓練、測試、使用的三個場景，構建的步驟幾乎一樣，具體如下：
（1）清空張量圖（程式碼116、133、150）；
（2）生成資料集（程式碼118、136、152）；
（3）定義網路結構（程式碼129、144、159）。
測試與使用的場景是最相似的。在程式碼中測試比使用的操作對了個評估節點的生成（程式碼147）。
程式碼實現：通過二次迭代來訓練微調模型
訓練微調模型的操作是在程式碼檔案“5-3 train.py”中單獨實現的。與正常的訓練方式不同，這裡使用了二次迭代的方式：
l 第一次迭代：微調模型，固定預編譯模型載入的權重，只訓練最後兩層；
l 第二次迭代：聯調模型，使用更小的學習率，訓練全部節點。
先將類MyNASNetModel進行例項化，在呼叫其build_model方法構建模型，然後使用session開始訓練。具體程式碼如下：
程式碼5-3 train
162 import tensorflow as tf
163 model = __import__("5-2 model")
164 MyNASNetModel = model.MyNASNetModel
165
166 batch_size = 32
167 train_dir = 'data/train'
168 val_dir = 'data/val'
169
170 learning_rate1 = 1e-1 #定義兩次迭代的學習率
171 learning_rate2 = 1e-3
172
173 mymode = MyNASNetModel(r'nasnet-a_mobile_04_10_2017\model.ckpt')#初始化模型
174 mymode.build_model('train',val_dir,train_dir,batch_size,learning_rate1 ,learning_rate2 ) #將模型定義載入圖中
175
176 num_epochs1 = 20 #微調的迭代次數
177 num_epochs2 = 200 #聯調的迭代次數
178
179 with tf.Session() as sess:
180 sess.run(mymode.global_init) #初始全域性節點
181
182 step = 0
183 step = mymode.load_cpk(mymode.global_step,sess,1,mymode.saver,mymode.save_path )#載入模型
184 print(step)
185 if step == 0: #微調
186 mymode.init_fn(sess) #載入預編譯模型權重
187
188 for epoch in range(num_epochs1):
189
190 print('Starting1 epoch %d / %d' % (epoch + 1, num_epochs1)) #輸出進度
191 #用訓練集初始化迭代器
192 sess.run(mymode.train_init_op) #資料集從頭開始
193 while True:
194 try:
195 step += 1
196 #預測，合併圖，訓練
197 acc,accuracy_top_5, summary, _ = sess.run([mymode.accuracy, mymode.accuracy_top_5,mymode.merged,mymode.last_train_op])
198
199 #mymode.train_writer.add_summary(summary, step)#寫入日誌檔案
200 if step % 100 == 0:
201 print(f'step: {step} train1 accuracy: {acc},{accuracy_top_5}')
202 except tf.errors.OutOfRangeError:#資料集指標在最後
203 print("train1:",epoch," ok")
204 mymode.saver.save(sess, mymode.save_path+"/mynasnet.cpkt", global_step=mymode.global_step.eval())
205 break
206
207 sess.run(mymode.step_init) #微調結束，計數器從0開始
208
209 #整體訓練
210 for epoch in range(num_epochs2):
211 print('Starting2 epoch %d / %d' % (epoch + 1, num_epochs2))
212 sess.run(mymode.train_init_op)
213 while True:
214 try:
215 step += 1
216 #預測，合併圖，訓練
217 acc, summary, _ = sess.run([mymode.accuracy, mymode.merged, mymode.full_train_op])
218
219 mymode.train_writer.add_summary(summary, step)#寫入日誌檔案
220
221 if step % 100 == 0:
222 print(f'step: {step} train2 accuracy: {acc}')
223 except tf.errors.OutOfRangeError:
224 print("train2:",epoch," ok")
225 mymode.saver.save(sess, mymode.save_path+"/mynasnet.cpkt", global_step=mymode.global_step.eval())
226 break複製程式碼將以上程式碼執行後，經過一段時間的訓練，可以在本地找到“train_nasnet”資料夾，裡面放著的就是訓練生成的模型檔案。
程式碼實現：測試模型
測試模型的操作是在程式碼檔案“5-4 test.py”中單獨實現的。這裡實現了使用測試資料集對現有模型的評估，並且使用單張圖片放到模型裡進行預測。
1. 定義測試模型所需要的功能函式
首先定義函式check_accuracy實現準確率的計算，接著定義函式check_sex實現男女性別的識別。具體程式碼如下：
程式碼5-4 test
227 import tensorflow as tf
228 model = __import__("5-2 model")
229 MyNASNetModel = model.MyNASNetModel
230
231 import sys
232 nets_path = r'slim' #載入環境變數
233 if nets_path not in sys.path:
234 sys.path.insert(0,nets_path)
235 else:
236 print('already add slim')
237
238 from nets.nasnet import nasnet #匯出nasnet
239 slim = tf.contrib.slim #slim
240 image_size = nasnet.build_nasnet_mobile.default_image_size #獲得圖片輸入尺寸 224
241
242 import numpy as np
243 from PIL import Image
244
245 batch_size = 32
246 test_dir = 'data/val'
247
248 def check_accuracy(sess):
249 """
250 測試模型準確率
251 """
252 sess.run(mymode.test_init_op) #初始化測試資料集
253 num_correct, num_samples = 0, 0 #定義正確個數 和 總個數
254 i = 0
255 while True:
256 i+=1
257 print('i',i)
258 try:
259 #計算correct_prediction 獲取prediction、labels是否相同
260 correct_pred,accuracy,logits = sess.run([mymode.correct_prediction,mymode.accuracy,mymode.logits])
261 #累加correct_pred
262 num_correct += correct_pred.sum()
263 num_samples += correct_pred.shape[0]
264 print("accuracy",accuracy,logits)
265
266
267 except tf.errors.OutOfRangeError: #捕獲異常，資料用完自動跳出
268 print('over')
269 break
270
271 acc = float(num_correct) / num_samples #計算並返回準確率
272 return acc
273
274
275 def check_sex(imgdir,sess): #定義函式識別男女
276 img = Image.open(image_dir) #讀入圖片
277 if "RGB"!=img.mode : #檢查圖片格式
278 img = img.convert("RGB")
279
280 img = np.asarray(img.resize((image_size,image_size)), #影象預處理
281 dtype=np.float32).reshape(1,image_size,image_size,3)
282 img = 2 *( img / 255.0)-1.0
283
284 prediction = sess.run(mymode.logits, {mymode.images: img})#傳入nasnet輸入端中
285 print(prediction)
286
287 pre = prediction.argmax() #返回張量中最大值的索引
288 print(pre)
289
290 if pre == 1: img_id = 'man'
291 elif pre == 2: img_id = 'woman'
292 else: img_id = 'None'
293 plt.imshow( np.asarray((img[0]+1)*255/2,np.uint8 ) )
294 plt.show()
295 print(img_id,"--",image_dir) #返回類別
296 return pre複製程式碼2. 建立會話，進行測試
首先建立會話session，對模型進行測試，接著取2張圖片輸入模型，進行男女的判斷。具體程式碼如下：
程式碼5-4 test（續）
297 mymode = MyNASNetModel() #初始化模型
298 mymode.build_model('test',test_dir ) #將模型定義載入圖中
299
300 with tf.Session() as sess:
301 #載入模型
302 mymode.load_cpk(mymode.global_step,sess,1,mymode.saver,mymode.save_path )
303
304 #測試模型的準確性
305 val_acc = check_accuracy(sess)
306 print('Val accuracy: %f\n' % val_acc)
307
308 #單張圖片測試
309 image_dir = 'tt2t.jpg' #選取測試圖片
310 check_sex(image_dir,sess)
311
312 image_dir = test_dir + '\\woman' + '\\000001.jpg' #選取測試圖片
313 check_sex(image_dir,sess)
314
315 image_dir = test_dir + '\\man' + '\\000003.jpg' #選取測試圖片
316 check_sex(image_dir,sess)複製程式碼該程式使用的是迭代了100次資料集後的模型檔案（如果要效果提高，可以再執行久一點）。程式碼執行後，輸出結果如下。
（1）顯示測試集的輸出結果：
i 1
accuracy 0.90625 [[-3.813714 1.4075054 1.1485975 ]
[-7.3948846 6.220533 -1.4093535 ]
[-1.9391974 3.048838 0.21784738]
[-3.873174 4.530942 0.43135062]
……
[-3.8561587 2.7012844 -0.3634925 ]
[-4.4860134 4.7661724 -0.67080706]
[-2.9615571 2.8164086 0.71033645]]
i 2
accuracy 0.90625 [[ -6.6900268 -2.373093 6.6710057 ]
[ -4.1005263 0.74619263 4.980012 ]
[ -5.6469827 0.39027584 1.2689826 ]
……
[ -5.8080773 0.9121424 3.4134243 ]
[ -4.242001 0.08483959 4.056322 ]]
i 3
over
Val accuracy: 0.906250
上面顯示的是測試集中man和woman資料夾中圖片的計算結果。最終模型的準確率為90%。
（2）顯示單張圖片的執行結果：
[[-4.8022223 1.9008529 1.9379601]]
2
圖5-3 分辨男女測試圖片（a）
woman -- tt2t.jpg
[[-6.181205 -2.9042015 6.1356106]]
2
圖5-3 分辨男女測試圖片（b）
woman -- data/val\woman\000001.jpg
[[-4.896065 1.7791721 1.3118265]]
1
圖5-3 分辨男女測試圖片（c）
man -- data/val\man\000003.jpg
上面顯示了3張圖片，分別為自選圖片、測試資料集中的女人圖片、測試資料集中的男人圖片，每張圖片下面顯示了模型識別的結果。可以看到結果與圖片內容一致。
結尾
文內程式碼可以直接執行使用。如果不想手動搭建，還可以下載本文的配套程式碼。
【程式碼獲取】：關注公眾號：xiangyuejiqiren 公眾號回覆“pycon2”
如果覺得本文有用
可以分享給更多小夥伴