已經(jīng)上傳了完整的代碼和數(shù)據(jù)，數(shù)據(jù)比較少，大家可以幫忙補(bǔ)充。

項(xiàng)目地址（記得給個(gè)start）：https://github.com/jimenbian/face_rank

?

最近咳嗽加班比較嚴(yán)重，耽誤了幾天，今天接著之前的文章來講。在上一篇文章中我們已經(jīng)生成了預(yù)測(cè)模型，今天要做的事情很簡(jiǎn)單，就是調(diào)用這個(gè)模型針對(duì)某一張人臉圖片進(jìn)行分類，看看究竟把這個(gè)人按照顏值分到class1（好看的一類）還是class2（不好看的一類）?，F(xiàn)在直接來看face_test.py這個(gè)代碼。

?

路徑設(shè)置

IMAGE_PATH = './trainDataSet/class1/d.jpg'

MODEL_PATH='./model/model'

?

• IMAGE_PATH是需要預(yù)測(cè)的圖片的地址，我們就隨便選了一張，帥不帥大家自己判斷

?

• MODEL_PATH是上一篇文章介紹的生成好的模型存放的路徑

?

網(wǎng)絡(luò)結(jié)構(gòu)

通過conv_net函數(shù)構(gòu)建的CNN網(wǎng)絡(luò)結(jié)構(gòu)

?

圖片預(yù)處理

接下來我們要對(duì)預(yù)測(cè)圖片做一下預(yù)處理，是得圖片可以直接通過模型預(yù)測(cè)。預(yù)處理邏輯與訓(xùn)練的時(shí)候基本相同

image_test = tf.read_file(IMAGE_PATH)

image_test =tf.image.decode_jpeg(image_test, channels=CHANNELS)

image_test =tf.image.resize_images(image_test, [IMG_HEIGHT, IMG_WIDTH])

image_test = image_test * 1.0/127.5 - 1.0

label=0

X_test= tf.train.batch([image_test],batch_size=batch_size,capacity=batch_size *8, num_threads=4)

?

做一些解碼、resize、歸一化工作，然后將預(yù)測(cè)圖片生成為tensorflow的batch。

?

?

構(gòu)建預(yù)測(cè)邏輯

logits_train = conv_net(X_test, N_CLASSES,dropout, reuse=False, is_training=True)

result=tf.argmax(logits_train, 1)

首先通過conv_net函數(shù)構(gòu)建網(wǎng)絡(luò)，因?yàn)槭嵌诸悊栴}，只有好看和不好看兩種情況，通過tf.argmax挑選出屬于class1和class2的概率。

?

在session中啟動(dòng)result的計(jì)算op，然后把結(jié)果打印。

?

預(yù)測(cè)結(jié)果

通過tf.session中的print(result1[0])把結(jié)果打印出來：

• 如果結(jié)果是0表示預(yù)測(cè)圖片屬于class1

• 如果結(jié)果是1表示屬于class2

好啦，兩篇分享的文章都寫出來了，代碼數(shù)據(jù)也貢獻(xiàn)出來了，大家學(xué)會(huì)了沒~

總結(jié)

以上是生活随笔為你收集整理的深度学习实现NBA球星颜值打分完整案例（二）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。