自制数据集，搭建八股神经网络训练模型并实现图片的预测

参考资源
北京大学人工智能实践：Tensorflow笔记

上诉视频里面教我们一步一步如何制作属于自己的数据集。我自己通过实现了制作自己的数据改出了结合出了这篇文章。我会把改动的地方标识出来。
自制数据集讲解视频

import tensorflow as tf
from PIL import Image
import numpy as np
import os
from tensorflow.keras import backend as K #转换为张量
# 以下都是自己本地的图片数据的地址，以及保存的位置。（原视频是用了手写数字的数据集）
train_path = '../data/malan/'
train_txt = '../data/code.txt'
x_train_savepath = '../data/1.npy'
y_train_savepath = '../data/2.npy'

test_path = '../data/malan/'
test_txt = '../data/test.txt'
x_test_savepath = '../data/test1.npy'
y_test_savepath = '../data/test2.npy'

def generateds(path, txt): # path 图片的路径
    f = open(txt, 'r')  # 以只读形式打开txt文件
    contents = f.readlines()  # 读取文件中所有行
    f.close()  # 关闭txt文件
    x, y_ = [], []  # 建立空列表
    for content in contents:  # 逐行取出
        value = content.split()  # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
        img_path = path + value[0]  # 拼出图片路径和文件名
        #img = Image.open(img_path)  # 读入图片 视频的读入图片方法
        img_raw = tf.io.read_file(img_path) # 读入图片 用os读入图片的方式
        img_tensor = tf.image.decode_image(img_raw)
         # 原视频的手写数字的图片的大小是28*28 那样弄得太小了 所以我修改一下
        img = tf.image.resize(img_tensor, [192, 192]) 
        # 图片变为8位宽灰度值的np.array格式 原视频的图片都是灰度图 这里我是彩图需要变成灰度的自行把下面取消注释
        #img = np.array(img.convert('L')) 
        img = img / 255.  # 数据归一化 （实现预处理）
        x.append(img)  # 归一化后的数据，贴到列表x
        y_.append(value[1])  # 标签贴到列表y_
        print('loading : ' + content)  # 打印状态提示

    x = np.array(x)  # 变为np.array格式
    y_ = np.array(y_)  # 变为np.array格式
    y_ = y_.astype(np.int64)  # 变为64位整型
    return x, y_  # 返回输入特征x，返回标签y_
 
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(
        x_test_savepath) and os.path.exists(y_test_savepath):
    print('-------------Load Datasets-----------------')
	#  allow_pickle=True 具体其作用了不清楚 好像是numpy的硬件什么的
    x_train_save = np.load(x_train_savepath, allow_pickle=True)
    y_train = np.load(y_train_savepath, allow_pickle=True)
    x_test_save = np.load(x_test_savepath, allow_pickle=True)
    y_test = np.load(y_test_savepath, allow_pickle=True)
    x_train = np.reshape(x_train_save, (len(x_train_save), 3, 192, 192))  # 图片是三通道的所以这里reshape应该注意后面得加3 192 192 图片通道及图片大小
    x_test = np.reshape(x_test_save, (len(x_test_save), 3, 192, 192))
else:
    print('-------------Generate Datasets-----------------')
    x_train, y_train = generateds(train_path, train_txt)
    x_test, y_test = generateds(test_path, test_txt)
    print('-------------Save Datasets-----------------')
    x_train_save = np.reshape(x_train, (len(x_train), -1))
    x_test_save = np.reshape(x_test, (len(x_test), -1))
    np.save(x_train_savepath, x_train_save)
    np.save(y_train_savepath, y_train)
    np.save(x_test_savepath, x_test_save)
    np.save(y_test_savepath, y_test)

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax') # 10 个输出层 代表了0-9十个数字，自己修改成自己的图片分类的类别数目 这里修改app 对应的也得修改。
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

x_train = K.cast_to_floatx(x_train)
y_train = K.cast_to_floatx(y_train)

model.fit(x_train, y_train, batch_size=3, epochs=50, validation_data=(x_test, y_test), validation_freq=1)
model.summary()
#model.save(filepath=) 自己选择路径保存这里的神经网络层数不多其易实现。
# 
checkpoint_save_path = "./checkpoint2/qf.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
    print('-------------load the model-----------------')
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)

history = model.fit(x_train, y_train, batch_size=2, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])
print(model.trainable_variables)
file = open('./weights.txt', 'w')
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()

app.py
给图识物老师的讲解视频

import tensorflow as tf
model_save_path = './checkpoint/qf.ckpt'

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')])
    
model.load_weights(model_save_path)
preNum = int(input("input the number of test pictures:"))

for i in range(preNum):
    image_path = "../data/malan/malan_"
    image_path += input("the path of test picture:")
    image_path += ".jpg"
    print(image_path)
    img_raw = tf.io.read_file(image_path)
    img_tensor = tf.image.decode_image(img_raw)
    img = tf.image.resize(img_tensor, [192, 192])
    # img = np.array(img.convert('L'))  # 图片变为8位宽灰度值的np.array格式

    # 数据归一化 （实现预处理）

    img_arr = img / 255.0
    print("img_arr:", img_arr.shape)
    x_predict = img_arr[tf.newaxis, ...]
    print("x_predict:", x_predict.shape)
    result = model.predict(x_predict)

    pred = tf.argmax(result, axis=1)

    print('\n')
    tf.print(pred)

上诉的视频mooc可以看，也有人上传的B站，可以去观看。