python-3.x - 如何使用 CLI 测试我自己的手写数字或 MNIST 数据集中的数据之一

Question

我正在研究机器学习，对此我完全陌生。我给了一个任务来构建一个简单的命令行程序，该程序接受手写的数字图像， 并使用 MNIST 数据集输出计算机认为图像包含哪个数字的预测。我找到了一个使用keras的代码。

    from __future__ import print_function

    import keras
    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    from keras.optimizers import RMSprop


    batch_size = 128
    num_classes = 10
    epochs = 20

    # the data, shuffled and split between train and test sets
    (x_train, y_train), (x_test, y_test) = mnist.load_data()

    x_train = x_train.reshape(60000, 784)
    x_test = x_test.reshape(10000, 784)
    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')
    x_train /= 255
    x_test /= 255
    print(x_train.shape[0], 'train samples')
    print(x_test.shape[0], 'test samples')

    # convert class vectors to binary class matrices
    y_train = keras.utils.to_categorical(y_train, num_classes)
    y_test = keras.utils.to_categorical(y_test, num_classes)
    print (tf.(orange_measurement))lis[]3

    model = Sequential()
    model.add(Dense(512, activation='relu', input_shape=(784,)))
    model.add(Dropout(0.2))
    model.add(Dense(512, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(10, activation='softmax'))

    model.summary()

    model.compile(loss='categorical_crossentropy',
          optimizer=RMSprop(),
          metrics=['accuracy'])

    history = model.fit(x_train, y_train,
                batch_size=batch_size, epochs=epochs,
                verbose=1, validation_data=(x_test, y_test))
    score = model.evaluate(x_test, y_test, verbose=0)
    print('Test loss:', score[0])
    print('Test accuracy:', score[1])

执行此代码后，如何使其成为简单的 CLI 程序，可以接收图片并预测它更有可能是哪个数字。

例如，我在一个 YouTube 教程中看到通过在命令中执行来确定花(玫瑰、雏菊、蒲公英、向日葵和郁金香):

    # In Docker
    python /tf_files/label_image.pyy /tf_files/flower_photos/daisy/21652746_cc379e0eea_m.jpg

重启docker后就会显示电脑的信心。那么我可以使用什么命令来测试我自己的图像或 mnist 数据集中的一张图像并得出预测结果？

Answer 1

看起来这段代码正在学习如何识别数字，但完成后模型就消失了。如果您希望稍后能够使用该模型，您将需要尝试 model.save(filepath)。 (有关如何保存和加载的更多信息:https://keras.io/getting-started/faq/#how-can-i-save-a-keras-model)

然后您可以创建一个单独的脚本，例如 image_label.py，它加载模型并通过网络运行第二个参数。您需要对手写图像文件进行一些预处理，以便通过针对 MNIST 图像训练的网络运行它们。如果您想在 MNIST 示例图像上测试它可能会更容易一些。