niektemme/tensorflow-mnist-predict
위 의 github 를 참조하였으며, 로컬에서 파일 로드, 배열 변환, 모델 로드 및 실행까지 간단하게 코드가 잘 정리되어 있습니다. 여기까지는 기본 구조를 파악하기 위함이었으니 기존예제들을 분석하는 위주로 진행하였지만, 다음부터는 가변적인 데이터 구조와 가변적인 모델을 감안한 개발을 시작하고자 합니다.
가. 로컬 이미지 로드 및 배열로 변환
def imageprepare(argv): """ 로컬에서 이미지를 받아서 Tensorflow 처리 가능한 형태로 변환하는 역할을 수행합니다. """ im = Image.open(argv).convert('L') width = float(im.size[0]) height = float(im.size[1]) newImage = Image.new('L', (28, 28), (255)) # 우리가 테스트할 네트워크는 28/28 이미지이다 # 입력된 28/28이 아닌 이미지를 28/28로 변환하기 위해 가로 세로 중 어느쪽이 큰지 확인 if width > height: # 폭이 더 큰 경우 처리 로직 nheight = int(round((20.0 / width * height), 0)) # resize height according to ratio width # 20/20 이미지로 변환하고 img = im.resize((20, nheight), Image.ANTIALIAS).filter(ImageFilter.SHARPEN) wtop = int(round(((28 - nheight) / 2), 0)) # newImage.paste(img, (4, wtop)) # 리사이즈된 이미지를 흰색 바탕의 캔버스에 붙여 넣는다 else: # 높이가 더 큰경우에 처리 로직 nwidth = int(round((20.0 / height * width), 0)) if (nwidth == 0): nwidth = 1 # resize and sharpen img = im.resize((nwidth, 20), Image.ANTIALIAS).filter(ImageFilter.SHARPEN) wleft = int(round(((28 - nwidth) / 2), 0)) newImage.paste(img, (wleft, 4)) # newImage.save("sample.png") tv = list(newImage.getdata()) # 픽셀 데이터로 변환 # 255의 RGB 0 흰색, 1 검은색의 이진수로 노멀라이제이션 작업을 수행 tva = [(255 - x) * 1.0 / 255.0 for x in tv] return tva
나. 훈련시 사용한 모델을 동일하게 재 정의 합니다.
x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') def max_pool_2x2(x): return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') W_conv1 = weight_variable([5, 5, 1, 32]) b_conv1 = bias_variable([32]) x_image = tf.reshape(x, [-1, 28, 28, 1]) h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) h_pool1 = max_pool_2x2(h_conv1) W_conv2 = weight_variable([5, 5, 32, 64]) b_conv2 = bias_variable([64]) h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2 = max_pool_2x2(h_conv2) W_fc1 = weight_variable([7 * 7 * 64, 1024]) b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64]) h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) W_fc2 = weight_variable([1024, 10]) b_fc2 = bias_variable([10]) y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
다. 모델 복구 및 실행
init_op = tf.initialize_all_variables() saver = tf.train.Saver() """ 모델을 saver 를 사용하여 복구합니다. sess.run(init_op) saver.restore(sess, "model2.ckpt") """ with tf.Session() as sess: sess.run(init_op) saver.restore(sess, "model2.ckpt") prediction = tf.argmax(y_conv, 1) return prediction.eval(feed_dict={x: [imvalue], keep_prob: 1.0}, session=sess)