如何使用Python解码TensorFlow的预测结果？

可以使用TensorFlow将图像转换为Numpy数组，然后使用该数组解码预测结果。

更多Python相关文章，请阅读：Python 教程

至少包含一个卷积层的神经网络称为卷积层网络。我们可以使用卷积神经网络来构建学习模型。

我们使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory可在浏览器上运行Python代码，无需任何配置，并且可以免费访问GPU（图形处理单元）。Colaboratory是在Jupyter Notebook的基础上构建的。

对于图像分类的迁移学习的核心思路是，如果一个模型在大规模的通用数据集上进行了训练，那么这个模型可以用于有效地作为视觉世界的通用模型。它将学习特征图，也就是说，用户无需从头开始训练大型数据集上的大型模型。

TensorFlow Hub是一个包含预训练TensorFlow模型的存储库。

我们将会了解如何使用tf.keras中的TensorFlow Hub模型，使用来自TensorFlow Hub的图像分类模型。

然后可以执行迁移学习，为定制的图像类微调模型。这是通过使用预训练的分类器模型来获取图像并预测其内容实现的。这可以在不需要任何训练的情况下完成。

示例

print("Decoding the predictions")
labels_path = tf.keras.utils.get_file('ImageNetLabels.txt','https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt')
imagenet_labels = np.array(open(labels_path).read().splitlines())
plt.imshow(grace_hopper)
plt.axis('off')
predicted_class_name = imagenet_labels[predicted_class]
_ = plt.title("Prediction is: " + predicted_class_name.title())

代码来源− https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub

输出

Decoding the predictions
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt
16384/10484 [==============================================] - 0s 0us/step

说明

• 可以使用预测的类ID获取ImageNet标签以解码预测结果。

• 显示预测数据/图像在控制台上。