一、环境配置
Anaconda：4.10.3
Python：3.6.2
TensorFlow：1.9.0
二、图片准备
在这个小项目中，我们首先需要自己在网上收集四类图片（每类图片30张，一共120张），这些图片的格式最好是统一的JPG格式，对于分辨率来说没有特定的要求，我们的项目在预处理中可以进行分辨率统一化的预处理（也就是把每一张图片变成一样的分辨率64*64）。
不过要根据你自己的目录把图片放在上面，不然代码可是找不到的。我把图片放在了如图这个地方。
每一张图片都需要整理分类到每一个文件夹中，程序才可以正常找到。比如我把土豆放在这个potato文件夹下。
三、效果展示
在测试代码中点击运行：
便会出现要预测的图片（图片显示不清是因为这个图片的像素只有64*64）.
接着，把图片关闭，即可显示出预测是potato（土豆）的可能性是0.984120。
四、源代码
（1）preprocessing.py（图片预处理）
# 将原始图片转换成需要的大小，并将其保存
import os
import tensorflow as tf
from PIL import Image
# 原始图片的存储位置 E:/python-run-env/train-test/train-data/generate-simple/
orig_picture = 'E:/python-run-env/train-test/train-data/generate-simple/'
# 生成图片的存储位置 E:/python-run-env/train-test/Re_train/image_data/inputdata/
gen_picture = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/'
# 需要的识别类型
classes = {'cabbage','carrot','nori','potato'}
# 样本总数
num_samples = 120
# 制作TFRecords数据
def create_record():
writer = tf.python_io.TFRecordWriter("dishes_train.tfrecords")
for index, name in enumerate(classes):
class_path = orig_picture +"/"+ name+"/"
# os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。
for img_name in os.listdir(class_path):
img_path = class_path + img_name
img = Image.open(img_path)
img = img.resize((64, 64)) # 设置需要转换的图片大小
img_raw = img.tobytes() # 将图片转化为原生bytes
print (index,img_raw)
example = tf.train.Example(
features=tf.train.Features(feature={
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])),
'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
}))
writer.write(example.SerializeToString())
writer.close()
def read_and_decode(filename):
# 创建文件队列,不限读取的数量
filename_queue = tf.train.string_input_producer([filename])
# create a reader from file queue
reader = tf.TFRecordReader()
# reader从文件队列中读入一个序列化的样本
_, serialized_example = reader.read(filename_queue)
# get feature from serialized example
# 解析符号化的样本
features = tf.parse_single_example(
serialized_example,
features={
'label': tf.FixedLenFeature([], tf.int64),
'img_raw': tf.FixedLenFeature([], tf.string)
})
label = features['label']
img = features['img_raw']
img = tf.decode_raw(img, tf.uint8)
img = tf.reshape(img, [64, 64, 3])
# img = tf.cast(img, tf.float32) * (1. / 255) - 0.5
label = tf.cast(label, tf.int32)
return img, label
if __name__ == '__main__':
create_record()
batch = read_and_decode('dishes_train.tfrecords')
init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
with tf.Session() as sess: # 开始一个会话
sess.run(init_op)
coord=tf.train.Coordinator()
threads= tf.train.start_queue_runners(coord=coord)
for i in range(num_samples):
example, lab = sess.run(batch) # 在会话中取出image和label
img=Image.fromarray(example, 'RGB') # 这里Image是之前提到的
img.save(gen_picture+'/'+str(i)+'samples'+str(lab)+'.jpg')#存下图片;注意cwd后边加上‘/’
print(example, lab)
coord.request_stop()
coord.join(threads)
sess.close()
点击运行后，可以在终端看到很多输出
然后在这里可以看到很多图片，要把这些图片进行分类，然后装到这些文件夹里面：
除此之外，还会产生一个TFrecord的二进制文件：
（2）batchdealing.py（输入图片处理）
import os
import math
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
# -----------------生成图片路径和标签的List------------------------------------
# 生成图片的存储位置 E:/python-run-env/train-test/Re_train/image_data/inputdata/
train_dir = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/'
cabbage = []
label_cabbage = []
carrot = []
label_carrot = []
nori = []
label_nori = []
potato = []
label_potato = []
# step1：获取'E:/Re_train/image_data/training_image'下所有的图片路径名，存放到
# 对应的列表中，同时贴上标签，存放到label列表中。
# ratio是测试集的比例
def get_files(file_dir, ratio):
for file in os.listdir(file_dir+'/cabbage'):
cabbage.append(file_dir +'/cabbage'+'/'+ file)
label_cabbage.append(0)
for file in os.listdir(file_dir+'/carrot'):
carrot.append(file_dir +'/carrot'+'/'+file)
label_carrot.append(1)
for file in os.listdir(file_dir+'/nori'):
nori.append(file_dir +'/nori'+'/'+ file)
label_nori.append(2)
for file in os.listdir(file_dir+'/potato'):
potato.append(file_dir +'/potato'+'/'+file)
label_potato.append(3)
# step2：对生成的图片路径和标签List做打乱处理把所有的数据合起来组成一个list（img和lab）
# np.hstack水平（按列）按顺序堆叠数组。
# >>> a = np.array((1,2,3))
# >>> b = np.array((2,3,4))
# >>> np.hstack((a,b))
# array([1, 2, 3, 2, 3, 4])
image_list = np.hstack((cabbage, carrot, nori, potato))
label_list = np.hstack((label_cabbage, label_carrot, label_nori, label_potato))
# 利用shuffle打乱顺序
temp = np.array([image_list, label_list])
temp = temp.transpose()
np.random.shuffle(temp)
# 从打乱的temp中再取出list（img和lab）
# image_list = list(temp[:, 0])
# label_list = list(temp[:, 1])
# label_list = [int(i) for i in label_list]
# return image_list, label_list
# 将所有的img和lab转换成list
all_image_list = list(temp[:, 0])
all_label_list = list(temp[:, 1])
# 将所得List分为两部分，一部分用来训练tra，一部分用来测试val
# ratio是测试集的比例
# n_sample全部样本数
n_sample = len(all_label_list)
n_val = int(math.ceil(n_sample*ratio)) # 测试样本数
n_train = n_sample - n_val # 训练样本数
# 训练的图片和标签
tra_images = all_image_list[0:n_train]
tra_labels = all_label_list[0:n_train]
tra_labels = [int(float(i)) for i in tra_labels]
# 测试图片和标签
val_images = all_image_list[n_train:-1]
val_labels = all_label_list[n_train:-1]
val_labels = [int(float(i)) for i in val_labels]
return tra_images, tra_labels, val_images, val_labels
# --------------------生成Batch----------------------------------------------
# step1：将上面生成的List传入get_batch() ，转换类型，产生一个输入队列queue，因为img和lab
# 是分开的，所以使用tf.train.slice_input_producer()，然后用tf.read_file()从队列中读取图像
# image_W, image_H, ：设置好固定的图像高度和宽度
# 设置batch_size：每个batch要放多少张图片
# capacity：一个队列最大多少
def get_batch(image, label, image_W, image_H, batch_size, capacity):
# 转换类型
image = tf.cast(image, tf.string)
label = tf.cast(label, tf.int32)
# make an input queue
# tf.train.slice_input_producer是一个tensor生成器，作用是按照设定，
# 每次从一个tensor列表中按顺序或者随机抽取出一个tensor放入文件名队列。
input_queue = tf.train.slice_input_producer([image, label])
label = input_queue[1]
image_contents = tf.read_file(input_queue[0]) # read img from a queue
# step2：将图像解码，不同类型的图像不能混在一起，要么只用jpeg，要么只用png等。
image = tf.image.decode_jpeg(image_contents, channels=3)
# step3：数据预处理，对图像进行旋转、缩放、裁剪、归一化等操作，让计算出的模型更健壮。
image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H)
image = tf.image.per_image_standardization(image)
# step4：生成batch
# image_batch: 4D tensor [batch_size, width, height, 3],dtype=tf.float32
# label_batch: 1D tensor [batch_size], dtype=tf.int32
image_batch, label_batch = tf.train.batch([image, label],
batch_size= batch_size,
num_threads= 32,
capacity = capacity)
# 重新排列label，行数为[batch_size]
label_batch = tf.reshape(label_batch, [batch_size])
image_batch = tf.cast(image_batch, tf.float32)
return image_batch, label_batch
（3）forward.py
# 建立神经网络
import tensorflow as tf
# 网络结构定义
# 输入参数：images，image batch、4D tensor、tf.float32、[batch_size, width, height, channels]
# 返回参数：logits, float、 [batch_size, n_classes]
def inference(images, batch_size, n_classes):
# 构建一个简单的卷积神经网络，其中（卷积+池化层）x2，全连接层x2，最后一个softmax层做分类。
# 卷积层1
# 64个3x3的卷积核（3通道），padding=’SAME’，表示padding后卷积的图与原图尺寸一致，激活函数relu()
# tf.variable_scope 可以让变量有相同的命名，包括tf.get_variable得到的变量，还有tf.Variable变量
# 它返回的是一个用于定义创建variable(层)的op的上下文管理器。
with tf.variable_scope('conv1') as scope:
# tf.truncated_normal截断的产生正态分布的随机数，即随机数与均值的差值若大于两倍的标准差，则重新生成。
# shape，生成张量的维度
# mean，均值
# stddev，标准差
weights = tf.Variable(tf.truncated_normal(shape=[3,3,3,64], stddev = 1.0, dtype = tf.float32),
name = 'weights', dtype = tf.float32)
# 偏置biases计算
# shape表示生成张量的维度
# 生成初始值为0.1的偏执biases
biases = tf.Variable(tf.constant(value = 0.1, dtype = tf.float32, shape = [64]),
name = 'biases', dtype = tf.float32)
# 卷积层计算
# 输入图片x和所用卷积核w
# x是对输入的描述，是一个4阶张量：
# 比如：[batch,5,5,3]
# 第一阶给出一次喂入多少张图片也就是batch
# 第二阶给出图片的行分辨率
# 第三阶给出图片的列分辨率
# 第四阶给出输入的通道数
# w是对卷积核的描述，也是一个4阶张量：
# 比如：[3,3,3,16]
# 第一阶第二阶分别给出卷积行列分辨率
# 第三阶是通道数
# 第四阶是有多少个卷积核
# strides卷积核滑动步长：[1,1,1,1]
# 第二阶第三阶表示横向纵向滑动的步长
# 第一和第四阶固定为1
# 使用0填充，所以padding值为SAME
conv = tf.nn.conv2d(images, weights, strides=[1,1,1,1], padding='SAME')
# 非线性激活
# 对卷积后的conv1添加偏执，通过relu激活函数
pre_activation = tf.nn.bias_add(conv, biases)
conv1 = tf.nn.relu(pre_activation, name= scope.name)
# 池化层1
# 3x3最大池化，步长strides为2，池化后执行lrn()操作，局部响应归一化，对训练有利。
# 最大池化层计算
# x是对输入的描述，是一个四阶张量：
# 比如：[batch,28,28,6]
# 第一阶给出一次喂入多少张图片batch
# 第二阶给出图片的行分辨率
# 第三阶给出图片的列分辨率
# 第四阶输入通道数
# 池化核大小2*2的
# 行列步长都是2
# 使用SAME的padding
with tf.variable_scope('pooling1_lrn') as scope:
pool1 = tf.nn.max_pool(conv1, ksize=[1,3,3,1],strides=[1,2,2,1],padding='SAME', name='pooling1')
# 局部响应归一化函数tf.nn.lrn
norm1 = tf.nn.lrn(pool1, depth_radius=4, bias=1.0, alpha=0.001/9.0, beta=0.75, name='norm1')
# 卷积层2
# 16个3x3的卷积核（16通道），padding=’SAME’，表示padding后卷积的图与原图尺寸一致，激活函数relu()
with tf.variable_scope('conv2') as scope:
weights = tf.Variable(tf.truncated_normal(shape=[3,3,64,16], stddev = 0.1, dtype = tf.float32),
name = 'weights', dtype = tf.float32)
biases = tf.Variable(tf.constant(value = 0.1, dtype = tf.float32, shape = [16]),
name = 'biases', dtype = tf.float32)
conv = tf.nn.conv2d(norm1, weights, strides = [1,1,1,1],padding='SAME')
pre_activation = tf.nn.bias_add(conv, biases)
conv2 = tf.nn.relu(pre_activation, name='conv2')
# 池化层2
# 3x3最大池化，步长strides为2，池化后执行lrn()操作，
# pool2 and norm2
with tf.variable_scope('pooling2_lrn') as scope:
norm2 = tf.nn.lrn(conv2, depth_radius=4, bias=1.0, alpha=0.001/9.0,beta=0.75,name='norm2')
pool2 = tf.nn.max_pool(norm2, ksize=[1,3,3,1], strides=[1,1,1,1],padding='SAME',name='pooling2')
# 全连接层3
# 128个神经元，将之前pool层的输出reshape成一行，激活函数relu()
with tf.variable_scope('local3') as scope:
# 函数的作用是将tensor变换为参数shape的形式。 其中shape为一个列表形式，特殊的一点是列表中可以存在-1。
# -1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。
reshape = tf.reshape(pool2, shape=[batch_size, -1])
# get_shape返回的是一个元组
dim = reshape.get_shape()[1].value
weights = tf.Variable(tf.truncated_normal(shape=[dim,128], stddev = 0.005, dtype = tf.float32),
name = 'weights', dtype = tf.float32)
biases = tf.Variable(tf.constant(value = 0.1, dtype = tf.float32, shape = [128]),
name = 'biases', dtype=tf.float32)
local3 = tf.nn.relu(tf.matmul(reshape, weights) + biases, name=scope.name)
# 全连接层4
# 128个神经元，激活函数relu()
with tf.variable_scope('local4') as scope:
weights = tf.Variable(tf.truncated_normal(shape=[128,128], stddev = 0.005, dtype = tf.float32),
name = 'weights',dtype = tf.float32)
biases = tf.Variable(tf.constant(value = 0.1, dtype = tf.float32, shape = [128]),
name = 'biases', dtype = tf.float32)
local4 = tf.nn.relu(tf.matmul(local3, weights) + biases, name='local4')
# dropout层
# with tf.variable_scope('dropout') as scope:
# drop_out = tf.nn.dropout(local4, 0.8)
# Softmax回归层
# 将前面的FC层输出，做一个线性回归，计算出每一类的得分，在这里是2类，所以这个层输出的是两个得分。
with tf.variable_scope('softmax_linear') as scope:
weights = tf.Variable(tf.truncated_normal(shape=[128, n_classes], stddev = 0.005, dtype = tf.float32),
name = 'softmax_linear', dtype = tf.float32)
biases = tf.Variable(tf.constant(value = 0.1, dtype = tf.float32, shape = [n_classes]),
name = 'biases', dtype = tf.float32)
softmax_linear = tf.add(tf.matmul(local4, weights), biases, name='softmax_linear')
return softmax_linear
# loss计算
# 传入参数：logits，网络计算输出值。labels，真实值，在这里是0或者1
# 返回参数：loss，损失值
def losses(logits, labels):
with tf.variable_scope('loss') as scope:
# 传入的logits为神经网络输出层的输出，shape为[batch_size，num_classes]，
# 传入的label为一个一维的vector，长度等于batch_size，
# 每一个值的取值区间必须是[0，num_classes)，其实每一个值就是代表了batch中对应样本的类别
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='xentropy_per_example')
# tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，
# 主要用作降维或者计算tensor（图像）的平均值。
loss = tf.reduce_mean(cross_entropy, name='loss')
# tf.summary.scalar用来显示标量信息
# 一般在画loss,accuary时会用到这个函数。
tf.summary.scalar(scope.name+'/loss', loss)
return loss
# loss损失值优化
# 输入参数：loss。learning_rate，学习速率。
# 返回参数：train_op，训练op，这个参数要输入sess.run中让模型去训练。
def trainning(loss, learning_rate):
with tf.name_scope('optimizer'):
# tf.train.AdamOptimizer()函数是Adam优化算法：是一个寻找全局最优点的优化算法，引入了二次方梯度校正。
# learning_rate：张量或浮点值。学习速率
optimizer = tf.train.AdamOptimizer(learning_rate= learning_rate)
global_step = tf.Variable(0, name='global_step', trainable=False)
# minimize() 实际上包含了两个步骤，即 compute_gradients 和 apply_gradients，
# 前者用于计算梯度，后者用于使用计算得到的梯度来更新对应的variable
train_op = optimizer.minimize(loss, global_step= global_step)
return train_op
# 评价/准确率计算
# 输入参数：logits，网络计算值。labels，标签，也就是真实值，在这里是0或者1。
# 返回参数：accuracy，当前step的平均准确率，也就是在这些batch中多少张图片被正确分类了。
def evaluation(logits, labels):
with tf.variable_scope('accuracy') as scope:
# tf.nn.in_top_k用于计算预测的结果和实际结果的是否相等，并返回一个bool类型的张量
correct = tf.nn.in_top_k(logits, labels, 1)
# tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换
correct = tf.cast(correct, tf.float16)
# tf.reduce_mean计算张量的各个维度的元素的量
accuracy = tf.reduce_mean(correct)
# tf.summary.scalar用来显示标量信息
tf.summary.scalar(scope.name+'/accuracy', accuracy)
return accuracy
（4）backward.py（训练模型）
# 导入文件
import os
import numpy as np
import tensorflow as tf
import batchdealing
import forward
# 变量声明
N_CLASSES = 4 # 4类 分别是：'cabbage','carrot','nori','potato'
IMG_W = 64 # resize图像，太大的话训练时间久
IMG_H = 64
BATCH_SIZE =20 # 一次喂入多少
CAPACITY = 200 # 容量
MAX_STEP = 200 # 一般大于10K
learning_rate = 0.0001 # 一般小于0.0001
# 获取批次batch E:/python-run-env/train-test/Re_train/image_data/inputdata/
train_dir = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/' # 训练样本的读入路径
logs_train_dir = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/' # logs存储路径
# logs_test_dir = 'E:/Re_train/image_data/test' # logs存储路径
# train, train_label = batchdealing.get_files(train_dir)
train, train_label, val, val_label = batchdealing.get_files(train_dir, 0.3)
# 训练数据及标签
train_batch,train_label_batch = batchdealing.get_batch(train, train_label, IMG_W, IMG_H, BATCH_SIZE, CAPACITY)
# 测试数据及标签
val_batch, val_label_batch = batchdealing.get_batch(val, val_label, IMG_W, IMG_H, BATCH_SIZE, CAPACITY)
# 训练操作定义
train_logits = forward.inference(train_batch, BATCH_SIZE, N_CLASSES)
train_loss = forward.losses(train_logits, train_label_batch)
train_op = forward.trainning(train_loss, learning_rate)
train_acc = forward.evaluation(train_logits, train_label_batch)
# 测试操作定义
test_logits = forward.inference(val_batch, BATCH_SIZE, N_CLASSES)
test_loss = forward.losses(test_logits, val_label_batch)
test_acc = forward.evaluation(test_logits, val_label_batch)
# 这个是log汇总记录
summary_op = tf.summary.merge_all()
# 产生一个会话
sess = tf.Session()
# 产生一个writer来写log文件
train_writer = tf.summary.FileWriter(logs_train_dir, sess.graph)
# val_writer = tf.summary.FileWriter(logs_test_dir, sess.graph)
# 产生一个saver来存储训练好的模型
saver = tf.train.Saver()
# 所有节点初始化
sess.run(tf.global_variables_initializer())
# 队列监控
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
# 进行batch的训练
try:
# 执行MAX_STEP步的训练，一步一个batch
for step in np.arange(MAX_STEP):
if coord.should_stop():
break
# 启动以下操作节点
_, tra_loss, tra_acc = sess.run([train_op, train_loss, train_acc])
# 每隔50步打印一次当前的loss以及acc，同时记录log，写入writer
if step % 10 == 0:
print('Step %d, train loss = %.2f, train accuracy = %.2f%%' %(step, tra_loss, tra_acc*100.0))
summary_str = sess.run(summary_op)
train_writer.add_summary(summary_str, step)
# 每隔100步，保存一次训练好的模型
if (step + 1) == MAX_STEP:
checkpoint_path = os.path.join(logs_train_dir, 'model.ckpt')
saver.save(sess, checkpoint_path, global_step=step)
except tf.errors.OutOfRangeError:
print('Done training -- epoch limit reached')
finally:
coord.request_stop()
训练结束后，在终端显示：
（5）test.py
from PIL import Image
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import forward
from batchdealing import get_files
# 获取一张图片
def get_one_image(train):
# 输入参数：train,训练图片的路径
# 返回参数：image，从训练图片中随机抽取一张图片
n = len(train)
ind = np.random.randint(0, n)
img_dir = train[ind] # 随机选择测试的图片
img = Image.open(img_dir)
# 显示图片，在jupyter notebook下当然也可以不用plt.show()
plt.imshow(img)
plt.show(img)
imag = img.resize([64, 64]) # 由于图片在预处理阶段以及resize，因此该命令可略
image = np.array(imag)
return image
# 测试图片
def evaluate_one_image(image_array):
with tf.Graph().as_default():
BATCH_SIZE = 1
N_CLASSES = 4
image = tf.cast(image_array, tf.float32)
# 线性缩放图像以具有零均值和单位范数。
image = tf.image.per_image_standardization(image)
image = tf.reshape(image, [1, 64, 64, 3])
# 构建卷积神经网络
logit = forward.inference(image, BATCH_SIZE, N_CLASSES)
# softmax函数的作用就是归一化
# 输入: 全连接层（往往是模型的最后一层）的值，一般代码中叫做logits。
# 输出: 归一化的值，含义是属于该位置的概率，一般代码叫做probs。
logit = tf.nn.softmax(logit)
x = tf.placeholder(tf.float32, shape=[64, 64, 3])
# you need to change the directories to yours. E:/python-run-env/train-test/Re_train/image_data/inputdata/
logs_train_dir = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/'
# tf.train.Saver() 保存和加载模型
saver = tf.train.Saver()
with tf.Session() as sess:
print("Reading checkpoints...")
ckpt = tf.train.get_checkpoint_state(logs_train_dir)
if ckpt and ckpt.model_checkpoint_path:
global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
saver.restore(sess, ckpt.model_checkpoint_path)
print('Loading success, global_step is %s' % global_step)
else:
print('No checkpoint file found')
# feed_dict的作用是给使用placeholder创建出来的tensor赋值。
# 其实，他的作用更加广泛：feed使用一个值临时替换一个op的输出结果。
# 你可以提供feed数据作为run()调用的参数。
# feed只在调用它的方法内有效,方法结束,feed就会消失。
# 当我们构建完图后，需要在一个会话中启动图，启动的第一步是创建一个Session对象。
# 为了取回（Fetch）操作的输出内容，可以在使用Session对象的run()调用执行图时，
# 传入一些tensor，这些tensor会帮助你取回结果。
prediction = sess.run(logit, feed_dict={x: image_array})
# 取出prediction中元素最大值所对应的索引，也就是最大的可能
max_index = np.argmax(prediction)
if max_index==0:
print('This is a cabbage with possibility %.6f' %prediction[:, 0])
elif max_index==1:
print('This is a carrot with possibility %.6f' %prediction[:, 1])
elif max_index==2:
print('This is a nori with possibility %.6f' %prediction[:, 2])
else:
print('This is a potato with possibility %.6f' %prediction[:, 3])
if __name__ == '__main__':
train_dir = 'E:/python-run-env/train-test/Re_train/image_data/inputdata/'
train, train_label, val, val_label = get_files(train_dir, 0.3)
img = get_one_image(val) # 通过改变参数train or val，进而验证训练集或测试集
evaluate_one_image(img)
点击测试之后，就可以显示如三效果展示那样的效果了，每一次都是随机选取我们自己的图片来测试的。