Hacer predicciones con un modelo de TensorFlow

Seguí los tutoriales de mnist dados y pude entrenar un modelo y evaluar su precisión. Sin embargo, los tutoriales no muestran cómo hacer predicciones dado un modelo. No me interesa la precisión, solo quiero usar el modelo para predecir un nuevo ejemplo y en la salida ver todos los resultados (etiquetas), cada uno con su puntaje asignado (ordenado o no).

En el ejemplo " Deep MNIST for Experts ", consulte esta línea:

Ahora podemos implementar nuestro modelo de regresión. ¡Solo se necesita una línea! Multiplicamos las imágenes de entrada vectorizadas x por la matriz de peso W, sumamos el sesgo by calculamos las probabilidades softmax que se asignan a cada clase.

y = tf.nn.softmax(tf.matmul(x,W) + b)

Simplemente tire del nodo y y tendrá lo que desea.

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

Esto se aplica a casi cualquier modelo que cree; habrá calculado las probabilidades de predicción como uno de los últimos pasos antes de calcular la pérdida.

Como sugirió @dga, debe ejecutar su nueva instancia de los datos a través de su modelo ya predicho.

Aquí hay un ejemplo:

Suponga que siguió el primer tutorial y calculó la precisión de su modelo (el modelo es este :) y = tf.nn.softmax(tf.matmul(x, W) + b). Ahora toma su modelo y le aplica el nuevo punto de datos. En el siguiente código calculo el vector, obteniendo la posición del valor máximo. Muestre la imagen e imprima esa posición máxima.

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]

2.0 Respuesta compatible : suponga que ha construido un modelo Keras como se muestra a continuación:

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'])

Luego entrene y evalúe el modelo usando el siguiente código:

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

Después de eso, si desea predecir la clase de una imagen en particular, puede hacerlo usando el siguiente código:

predictions_single = model.predict(img)

Si desea predecir las clases de un conjunto de imágenes, puede utilizar el siguiente código:

predictions = model.predict(new_images)

donde new_imageses una matriz de imágenes.

Para obtener más información, consulte este tutorial de Tensorflow .

La pregunta es específicamente sobre el tutorial de Google MNIST , que define un predictor pero no lo aplica. Siguiendo la guía de la publicación del blog TensorFlow Estimator de Jonathan Hui , aquí hay un código que se ajusta exactamente al tutorial de Google y hace predicciones:

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()