TensorFlowモデルを使用して予測を行う

与えられたmnistチュートリアルに従い、モデルをトレーニングしてその精度を評価することができました。ただし、チュートリアルでは、モデルを指定して予測を行う方法は示されていません。精度には興味がありません。モデルを使用して新しい例を予測し、出力にすべての結果（ラベル）が表示され、それぞれにスコア（並べ替えられているかどうか）が割り当てられています。

「DeepMNISTfor Experts」の例では、次の行を参照してください。

これで、回帰モデルを実装できます。たった一行！ベクトル化された入力画像xに重み行列Wを乗算し、バイアスbを追加して、各クラスに割り当てられたソフトマックス確率を計算します。

y = tf.nn.softmax(tf.matmul(x,W) + b)

ノードyを引っ張るだけで、必要なものが得られます。

feed_dict = {x: [your_image]}
classification = tf.run(y, feed_dict)
print classification

これは、作成するほぼすべてのモデルに当てはまります。損失を計算する前の最後のステップの1つとして、予測確率を計算します。

@dgaが示唆したように、すでに予測されたモデルを介してデータの新しいインスタンスを実行する必要があります。

次に例を示します。

最初のチュートリアルを実行し、モデルの精度を計算したと仮定します（モデルは次のとおりですy = tf.nn.softmax(tf.matmul(x, W) + b):)。次に、モデルを取得して、新しいデータポイントをモデルに適用します。次のコードでは、最大値の位置を取得して、ベクトルを計算します。画像を表示し、その最大位置を印刷します。

from matplotlib import pyplot as plt
from random import randint
num = randint(0, mnist.test.images.shape[0])
img = mnist.test.images[num]

classification = sess.run(tf.argmax(y, 1), feed_dict={x: [img]})
plt.imshow(img.reshape(28, 28), cmap=plt.cm.binary)
plt.show()
print 'NN predicted', classification[0]

2.0互換性のある回答：以下に示すようにKerasモデルを構築したとします。

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

次に、以下のコードを使用してモデルをトレーニングおよび評価します。

model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

その後、特定の画像のクラスを予測する場合は、次のコードを使用して予測できます。

predictions_single = model.predict(img)

画像のセットのクラスを予測する場合は、次のコードを使用できます。

predictions = model.predict(new_images)

ここnew_imagesで、は画像の配列です。

詳細については、このTensorflowチュートリアルを参照してください。

質問は特にGoogleMNISTチュートリアルに関するもので、予測子を定義しますが、それを適用しません。JonathanHuiのTensorFlowEstimatorブログ投稿からのガイダンスを使用して、Googleチュートリアルに正確に適合し、予測を行うコードを次に示します。

from matplotlib import pyplot as plt

images = mnist.test.images[0:10]

predict_input_fn = tf.estimator.inputs.numpy_input_fn(
      x={"x":images},
      num_epochs=1,
      shuffle=False)

mnist_classifier.predict(input_fn=predict_input_fn)

for image,p in zip(images,mnist_classifier.predict(input_fn=predict_input_fn)):
    print(np.argmax(p['probabilities']))
    plt.imshow(image.reshape(28, 28), cmap=plt.cm.binary)
    plt.show()