CPTbed-01 猫狗识别
- 1. 导入相关库
- 2. 加载数据集
- 3. 工具函数--sigmoid
- 4. 工具函数--权重初始化0
- 5. 工具函数--前向传播&反向传播
- 6. 工具函数--优化w和b参数
- 7. 工具函数--预测
- 8. 构建神经网络模型
- 9. 编写主函数
- 10. 运行主函数
- 11. 完整代码
1. 导入相关库
# numpy 用来进行向量化
import numpy as np
# matplotlib 用来画图的
import matplotlib.pyplot as plt
# h5py 用来加载训练数据集的。
# 我们数据集的保存格式是HDF。Hierarchical Data Format(HDF)是一种针对大量
# 数据进行组织和存储的文件格式,大数据行业和人工智能行业都用它来保存数据。
import h5py
# skimage 用来缩放图片
import skimage
import cv22. 加载数据集
def load_dataset():
"""从文件夹‘dataset’中加载数据"""
train_dataset = h5py.File('datasets/train_catvnoncat.h5', 'r') # 加载训练数据
train_set_x_orig = np.array(train_dataset['train_set_x'][:]) # 从训练数据集中提取出图片的特征数据
train_set_y_orig = np.array(train_dataset['train_set_y'][:]) # 从训练数据集中提取出图片的特征数据
test_data = h5py.File('datasets/test_catvnoncat.h5', 'r') # 加载测试数据
test_set_x_orig = np.array(test_data['test_set_x'][:])
test_set_y_orig = np.array(test_data['test_set_y'][:])
classes = np.array(test_data['list_classes'][:]) # 加载标签类别数据，这里的类别只有两种，1代表有猫，0代表无猫
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0])) # 把数组的维度从(209,)变成(1, 209)，这样好方便后面进行计算
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) # 从(50,)变成(1, 50)
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes3. 工具函数–sigmoid
def sigmoid_activate(z):
"""
Args:
z: 可以是一个数，或一个数组
Returns: 经过一些列sigmoid算法计算后的值，在[0,1]范围内
"""
a = 1 / (1 + np.exp(-z))
return a4. 工具函数–权重初始化0
def initialize_with_zeros(dim):
"""
这个函数用于初始化权重数组w和偏置/阈值b.
Args:
dim: w的大小，看上面的神经网络模型图可知，dim在本例中是12288，因为一个特征输入对应一个权重。
Returns:
w: 权重数组
b: 偏置bias
"""
w = np.zeros((dim, 1))
b = 0
return w, b5. 工具函数–前向传播&反向传播
def propagate(w, b, X, Y):
"""
参数:
w -- 权重数组，维度是(12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 209)
Y -- 图片对应的标签，0或1，0是无猫，1是有猫，维度是(1,209)
返回值:
cost -- 成本
dw -- w的梯度
db -- b的梯度
"""
m = X.shape[1]
# 前向传播
A = sigmoid_activate(np.dot(w.T, X) + b)
cost = -np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A)) / m
# 反向传播
dZ = A - Y
dw = np.dot(X, dZ.T) / m
db = np.sum(dZ) / m
# 保存 dw, db
grads = {"dw": dw, "db": db}
return grads, cost6. 工具函数–优化w和b参数
def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False):
"""
本函数会得出优化后的参数w和b。
训练神经网络，其实就是通过使用海量数据来进行训练，从而得出这些优化后的参数。
有了这些参数后，我们就可以使用它们来进行预测了，
对于本文章来说，也就是可以用这些参数来对新的任意图片进行预测了,
预测图片里有猫或没有猫
参数:
w -- 权重数组，维度是 (12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 209)
Y -- 图片对应的标签，0或1，0是无猫，1是有猫，维度是(1,209)
num_iterations -- 指定要优化多少次
learning_rate -- 学习步进，是我们用来控制优化步进的参数
print_cost -- 为True时，每优化100次就把成本cost打印出来,以便我们观察成本的变化
返回值:
params -- 优化后的w和b
costs -- 每优化100次，将成本记录下来，成本越小，表示参数越优化
"""
costs = []
for i in range(num_iterations):
grads, cost = propagate(w, b, X, Y) # 计算得出梯度和成本
# 从字典中取出梯度
dw = grads['dw']
db = grads['db']
# 进行梯度下降，更新参数，使其越来越难优化，使成本越来越小
w = w - learning_rate * dw
b = b - learning_rate * db
# 将成本记录下来
if i % 100 == 0:
costs.append(cost)
if print_cost:
print("优化%d次后的成本是：" % i, cost)
params = {"w": w, "b": b}
return params, costs7. 工具函数–预测
def predict(w, b, X):
"""
本函数会使用输入的参数w和b来对输入的待预测数据X进行预测。
X可以是一张图片也可以是多张图片，当多张图片时，函数会给出对每张图片的预测结果。
参数:
w -- 权重数组，维度是 (12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 图片张数)
返回值:
Y_prediction -- 对每张图片的预测结果
"""
m = X.shape[1]
Y_prediction = np.zeros((1, m))
A = sigmoid_activate(np.dot(w.T, X) + b) # 通过这行代码进行预测
# 上面的预测结果是小数的形式，为方便后续显示将其转换成0或1的形式(>=0.5为1, 否则为0)
for i in range(A.shape[1]):
if A[0, i] >= 0.5:
Y_prediction[0, i] = 1
return Y_prediction8. 构建神经网络模型
def model(X_train, Y_train, X_test, Y_test, num_iterations=2000, learning_rate=0.5, print_cost=False):
"""
构建神经网络模型函数
参数:
X_train -- 训练图片,维度是(12288, 209)
Y_train -- 训练图片对应的标签,维度是 (1, 209)
X_test -- 测试图片,维度是(12288, 50)
Y_test -- 测试图片对应的标签,维度是 (1, 50)
num_iterations -- 需要训练/优化多少次
learning_rate -- 学习步进，是我们用来控制优化步进的参数
print_cost -- 为True时，每优化100次就把成本cost打印出来,以便我们观察成本的变化
返回值:
d -- 返回一些信息
"""
# 初始化待训练的参数
w, b = initialize_with_zeros(X_train.shape[0])
# 使用训练数据调优参数
parameters, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)
# 从字典中取出训练好的w和b
w = parameters['w']
b = parameters['b']
# 使用训练好的参数对训练图片和测试图片进行预测
Y_prediction_train = predict(w, b, X_train)
Y_prediction_test = predict(w, b, X_test)
# 打印准预测确率
print("对训练图片的预测准确率为: {}%".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
print("对测试图片的预测准确率为: {}%".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))
d = {"costs": costs,
"Y_prediction_test": Y_prediction_test,
"Y_prediction_train": Y_prediction_train,
"w": w,
"b": b,
"learning_rate": learning_rate,
"num_iterations": num_iterations}
return d9. 编写主函数
def main():
# 调用load_dataset函数将数据加载到各个变量中
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()
# 随机显示一张图片。index可以随便改动，图片的像素很低，是因为如果用高像素图片的话就会需要更多的计算时间。
# 我的目的只是教学，所以没有必要用高像素的图片
index = 30
# print(train_set_x_orig[index])
plt.imshow(train_set_x_orig[index])
plt.show()
print("标签为" + str(train_set_y[:, index]) + ", 这是一个'" + classes[np.squeeze(train_set_y[:, index])].decode(
"utf-8") + "' 图片.")
# 我们要清楚变量的维度，否则后面会出很多问题，下面把维度打印出来
print('train_set_x_orig.shape:', train_set_x_orig.shape) # (209, 64, 64, 3) (样本数，图片宽，图片长，3个RGB通道)
print('train_set_y.shape:', train_set_y.shape) # (1, 209)
print("test_set_x_orig.shape:", test_set_x_orig.shape) # (50, 64, 64, 3)
print("test_set_y.shape:", test_set_y.shape) # (1, 50)
# 我们后面要用到样本数和长宽像素值，下面我分别把它们提取出来了。
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = test_set_x_orig.shape[1]
print("训练样本数: m_train = " + str(m_train)) # 209
print("测试样本数: m_test = " + str(m_test)) # 50
print("每张图片的宽/高: num_px = " + str(num_px)) # 64
# 为了方便后面进行矩阵运算，我们需要将样本数据进行扁平化和转置
# 处理后的数组各维度的含义是（图片数据，样本数）
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T # 209*64*64*3 -> 209 * 12288 -> 转置
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T # 50*64*64*3 -> 50 * 12288 -> 转置
print("train_set_x_flatten.shape:", train_set_x_flatten.shape) # (12288, 209)
print("test_set_x_flatten.shape:", test_set_x_flatten.shape) # (12288, 50)
# 下面我们对特征数据进行了简单的标准化处理（除以255，使所有值都在[0，1]范围内）
# 为什么要对数据进行标准化处理呢？简单来说就是为了方便后面进行计算，详情以后再给大家解释
train_set_x = train_set_x_flatten / 255.
test_set_x = test_set_x_flatten / 255.
"""
前面已经加载了数据，并且对数据做了简单的预处理，
下面会构建一个如“神经网络模型结构.png”所示的神经网络模型对上面的数据进行运算
"""
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=10000, learning_rate=0.005,
print_cost=True)
"""
从上面打印出的信息可知，随着优化的次数越来越多，成本越来越小，说明优化后的参数使预测越来越准确了。
对于训练图片的预测准确率达到了99%。 对于测试图片是70%，其实已经很不错了，
因为出于教学的目的，我们的训练数据集很小，而且构建的是最最简单的单神经元神经网络。
"""
# 改变index查看预测结果
index = 8
plt.imshow(test_set_x[:, index].reshape((num_px, num_px, 3)))
print("这张图的标签是 " + str(test_set_y[0, index]) + ", 预测结果是 " + str(int(d["Y_prediction_test"][0, index])))
# 下面绘制成本函数随训练次数增加时的变化的图像。可以直观的看出，训练次数越多，成本越小，预测结果越精确
costs = np.squeeze(d['costs']) # d['costs']是list，经过np.squeeze()变为np.array
plt.plot(costs)
plt.xlabel("iterations (per hundreds)")
plt.ylabel("cost")
plt.title("learning rate = " + str(d['learning_rate']))
plt.show()
# 选择一个合适的学习率很重要，否则神经网络可能会永远找不到损失函数的最小值处，即你的神经网络预测得永远不会很准。
# 下面我使用了3个不同的学习率来直观地展示展示它们对训练过程的影响。
learning_rates = [0.01, 0.001, 0.0001]
models = {}
for i in learning_rates:
print("学习率为: " + str(i) + "时")
models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y,
num_iterations=1500, learning_rate=i, print_cost=False)
print('\n' + "-------------------------------------------------------" + '\n')
for i in learning_rates:
plt.plot(np.squeeze(models[str(i)]["costs"]), label=str(models[str(i)]["learning_rate"]))
plt.ylabel('cost')
plt.xlabel('iterations (hundreds)')
legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()
# 在本文档的同目录下创建一个文件夹images,把你的任意图片改名成my_image1.jpg后放入文件夹
my_image = "my_image1.jpg"
fname = "images/" + my_image
image = np.array(plt.imread(fname))
my_image = cv2.resize(image, (num_px, num_px)).reshape((1, num_px * num_px * 3)).T
my_predicted_image = predict(d["w"], d["b"], my_image)
plt.imshow(image)
print("预测结果为 " + str(int(np.squeeze(my_predicted_image))))10. 运行主函数
if __name__ == '__main__':
main()11. 完整代码
# numpy 用来进行向量化
import numpy as np
# matplotlib 用来画图的
import matplotlib.pyplot as plt
# h5py 用来加载训练数据集的。
# 我们数据集的保存格式是HDF。Hierarchical Data Format(HDF)是一种针对大量
# 数据进行组织和存储的文件格式,大数据行业和人工智能行业都用它来保存数据。
import h5py
# skimage 用来缩放图片
import skimage
import tensorflow as tf
import cv2
def load_dataset():
"""从文件夹‘dataset’中加载数据"""
train_dataset = h5py.File('datasets/train_catvnoncat.h5', 'r') # 加载训练数据
train_set_x_orig = np.array(train_dataset['train_set_x'][:]) # 从训练数据集中提取出图片的特征数据
train_set_y_orig = np.array(train_dataset['train_set_y'][:]) # 从训练数据集中提取出图片的特征数据
test_data = h5py.File('datasets/test_catvnoncat.h5', 'r') # 加载测试数据
test_set_x_orig = np.array(test_data['test_set_x'][:])
test_set_y_orig = np.array(test_data['test_set_y'][:])
classes = np.array(test_data['list_classes'][:]) # 加载标签类别数据，这里的类别只有两种，1代表有猫，0代表无猫
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0])) # 把数组的维度从(209,)变成(1, 209)，这样好方便后面进行计算
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) # 从(50,)变成(1, 50)
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes
# 为了构建神经网络模型，
# 首先要编写一些函数工具，这些函会对相面的数据进行特定功能的运算，
# 最后将这些单独的函数组合起来，构建出一个神经网络模型
# 1. sigmoid函数
def sigmoid_activate(z):
"""
Args:
z: 可以是一个数，或一个数组
Returns: 经过一些列sigmoid算法计算后的值，在[0,1]范围内
"""
a = 1 / (1 + np.exp(-z))
return a
# 2. 初始化权重0
def initialize_with_zeros(dim):
"""
这个函数用于初始化权重数组w和偏置/阈值b.
Args:
dim: w的大小，看上面的神经网络模型图可知，dim在本例中是12288，因为一个特征输入对应一个权重。
Returns:
w: 权重数组
b: 偏置bias
"""
w = np.zeros((dim, 1))
b = 0
return w, b
def propagate(w, b, X, Y):
"""
参数:
w -- 权重数组，维度是(12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 209)
Y -- 图片对应的标签，0或1，0是无猫，1是有猫，维度是(1,209)
返回值:
cost -- 成本
dw -- w的梯度
db -- b的梯度
"""
m = X.shape[1]
# 前向传播
A = sigmoid_activate(np.dot(w.T, X) + b)
cost = -np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A)) / m
# 反向传播
dZ = A - Y
dw = np.dot(X, dZ.T) / m
db = np.sum(dZ) / m
# 保存 dw, db
grads = {"dw": dw, "db": db}
return grads, cost
def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False):
"""
本函数会得出优化后的参数w和b。
训练神经网络，其实就是通过使用海量数据来进行训练，从而得出这些优化后的参数。
有了这些参数后，我们就可以使用它们来进行预测了，
对于本文章来说，也就是可以用这些参数来对新的任意图片进行预测了,
预测图片里有猫或没有猫
参数:
w -- 权重数组，维度是 (12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 209)
Y -- 图片对应的标签，0或1，0是无猫，1是有猫，维度是(1,209)
num_iterations -- 指定要优化多少次
learning_rate -- 学习步进，是我们用来控制优化步进的参数
print_cost -- 为True时，每优化100次就把成本cost打印出来,以便我们观察成本的变化
返回值:
params -- 优化后的w和b
costs -- 每优化100次，将成本记录下来，成本越小，表示参数越优化
"""
costs = []
for i in range(num_iterations):
grads, cost = propagate(w, b, X, Y) # 计算得出梯度和成本
# 从字典中取出梯度
dw = grads['dw']
db = grads['db']
# 进行梯度下降，更新参数，使其越来越难优化，使成本越来越小
w = w - learning_rate * dw
b = b - learning_rate * db
# 将成本记录下来
if i % 100 == 0:
costs.append(cost)
if print_cost:
print("优化%d次后的成本是：" % i, cost)
params = {"w": w, "b": b}
return params, costs
def predict(w, b, X):
"""
本函数会使用输入的参数w和b来对输入的待预测数据X进行预测。
X可以是一张图片也可以是多张图片，当多张图片时，函数会给出对每张图片的预测结果。
参数:
w -- 权重数组，维度是 (12288, 1)
b -- 偏置bias
X -- 图片的特征数据，维度是 (12288, 图片张数)
返回值:
Y_prediction -- 对每张图片的预测结果
"""
m = X.shape[1]
Y_prediction = np.zeros((1, m))
A = sigmoid_activate(np.dot(w.T, X) + b) # 通过这行代码进行预测
# 上面的预测结果是小数的形式，为方便后续显示将其转换成0或1的形式(>=0.5为1, 否则为0)
for i in range(A.shape[1]):
if A[0, i] >= 0.5:
Y_prediction[0, i] = 1
return Y_prediction
"""到此，我们已经编写了所需的所有工具函数了。下面我们将这些函数组合起来，构建出一个最终的神经网络模型函数。"""
def model(X_train, Y_train, X_test, Y_test, num_iterations=2000, learning_rate=0.5, print_cost=False):
"""
构建神经网络模型函数
参数:
X_train -- 训练图片,维度是(12288, 209)
Y_train -- 训练图片对应的标签,维度是 (1, 209)
X_test -- 测试图片,维度是(12288, 50)
Y_test -- 测试图片对应的标签,维度是 (1, 50)
num_iterations -- 需要训练/优化多少次
learning_rate -- 学习步进，是我们用来控制优化步进的参数
print_cost -- 为True时，每优化100次就把成本cost打印出来,以便我们观察成本的变化
返回值:
d -- 返回一些信息
"""
# 初始化待训练的参数
w, b = initialize_with_zeros(X_train.shape[0])
# 使用训练数据调优参数
parameters, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)
# 从字典中取出训练好的w和b
w = parameters['w']
b = parameters['b']
# 使用训练好的参数对训练图片和测试图片进行预测
Y_prediction_train = predict(w, b, X_train)
Y_prediction_test = predict(w, b, X_test)
# 打印准预测确率
print("对训练图片的预测准确率为: {}%".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
print("对测试图片的预测准确率为: {}%".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))
d = {"costs": costs,
"Y_prediction_test": Y_prediction_test,
"Y_prediction_train": Y_prediction_train,
"w": w,
"b": b,
"learning_rate": learning_rate,
"num_iterations": num_iterations}
return d
def main():
# 调用load_dataset函数将数据加载到各个变量中
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()
# 随机显示一张图片。index可以随便改动，图片的像素很低，是因为如果用高像素图片的话就会需要更多的计算时间。
# 我的目的只是教学，所以没有必要用高像素的图片
index = 30
# print(train_set_x_orig[index])
plt.imshow(train_set_x_orig[index])
plt.show()
print("标签为" + str(train_set_y[:, index]) + ", 这是一个'" + classes[np.squeeze(train_set_y[:, index])].decode(
"utf-8") + "' 图片.")
# 我们要清楚变量的维度，否则后面会出很多问题，下面把维度打印出来
print('train_set_x_orig.shape:', train_set_x_orig.shape) # (209, 64, 64, 3) (样本数，图片宽，图片长，3个RGB通道)
print('train_set_y.shape:', train_set_y.shape) # (1, 209)
print("test_set_x_orig.shape:", test_set_x_orig.shape) # (50, 64, 64, 3)
print("test_set_y.shape:", test_set_y.shape) # (1, 50)
# 我们后面要用到样本数和长宽像素值，下面我分别把它们提取出来了。
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = test_set_x_orig.shape[1]
print("训练样本数: m_train = " + str(m_train)) # 209
print("测试样本数: m_test = " + str(m_test)) # 50
print("每张图片的宽/高: num_px = " + str(num_px)) # 64
# 为了方便后面进行矩阵运算，我们需要将样本数据进行扁平化和转置
# 处理后的数组各维度的含义是（图片数据，样本数）
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T # 209*64*64*3 -> 209 * 12288 -> 转置
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T # 50*64*64*3 -> 50 * 12288 -> 转置
print("train_set_x_flatten.shape:", train_set_x_flatten.shape) # (12288, 209)
print("test_set_x_flatten.shape:", test_set_x_flatten.shape) # (12288, 50)
# 下面我们对特征数据进行了简单的标准化处理（除以255，使所有值都在[0，1]范围内）
# 为什么要对数据进行标准化处理呢？简单来说就是为了方便后面进行计算，详情以后再给大家解释
train_set_x = train_set_x_flatten / 255.
test_set_x = test_set_x_flatten / 255.
"""
前面已经加载了数据，并且对数据做了简单的预处理，
下面会构建一个如“神经网络模型结构.png”所示的神经网络模型对上面的数据进行运算
"""
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=10000, learning_rate=0.005,
print_cost=True)
"""
从上面打印出的信息可知，随着优化的次数越来越多，成本越来越小，说明优化后的参数使预测越来越准确了。
对于训练图片的预测准确率达到了99%。 对于测试图片是70%，其实已经很不错了，
因为出于教学的目的，我们的训练数据集很小，而且构建的是最最简单的单神经元神经网络。
"""
# 改变index查看预测结果
index = 8
plt.imshow(test_set_x[:, index].reshape((num_px, num_px, 3)))
print("这张图的标签是 " + str(test_set_y[0, index]) + ", 预测结果是 " + str(int(d["Y_prediction_test"][0, index])))
# 下面绘制成本函数随训练次数增加时的变化的图像。可以直观的看出，训练次数越多，成本越小，预测结果越精确
costs = np.squeeze(d['costs']) # d['costs']是list，经过np.squeeze()变为np.array
plt.plot(costs)
plt.xlabel("iterations (per hundreds)")
plt.ylabel("cost")
plt.title("learning rate = " + str(d['learning_rate']))
plt.show()
# 选择一个合适的学习率很重要，否则神经网络可能会永远找不到损失函数的最小值处，即你的神经网络预测得永远不会很准。
# 下面我使用了3个不同的学习率来直观地展示展示它们对训练过程的影响。
learning_rates = [0.01, 0.001, 0.0001]
models = {}
for i in learning_rates:
print("学习率为: " + str(i) + "时")
models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y,
num_iterations=1500, learning_rate=i, print_cost=False)
print('\n' + "-------------------------------------------------------" + '\n')
for i in learning_rates:
plt.plot(np.squeeze(models[str(i)]["costs"]), label=str(models[str(i)]["learning_rate"]))
plt.ylabel('cost')
plt.xlabel('iterations (hundreds)')
legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()
# 在本文档的同目录下创建一个文件夹images,把你的任意图片改名成my_image1.jpg后放入文件夹
my_image = "my_image1.jpg"
fname = "images/" + my_image
image = np.array(plt.imread(fname))
my_image = cv2.resize(image, (num_px, num_px)).reshape((1, num_px * num_px * 3)).T
my_predicted_image = predict(d["w"], d["b"], my_image)
plt.imshow(cv2.resize(image, (num_px, num_px)))
plt.show()
print("预测结果为 " + str(int(np.squeeze(my_predicted_image))))
if __name__ == '__main__':
main()
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
