卷积神经网络模型测试

在上一节中，我们实现了一个神经网络或创建了一个模型，该模型可以对手写数字进行分类。 现在，我们通过从网络上获取图像来测试我们的模型。 我们使用了以下图片

http://calstormbasketball.com/wp-content/uploads/2018/08/5020657994731_01c.jpeg

当您将此链接粘贴到浏览器中时，您将看到数字5的图像，如下所示

看到此消息后，我们将意识到它是数字5。现在，我们将尝试让我们的网络对其进行预测。

我们有以下步骤可以预测数字图像

步骤 1

第一步，我们将执行GET请求以检索图像数据。 要发出GET请求，我们需要导入request作为

现在，我们设置一个变量URL并将链接分配为字符串。

步骤 2

下一步，我们设置一个变量response，其值将从request的get()方法中获得。 get()方法将包含两个参数，即URL和流，并且流将等于true。

步骤 3

我们将使用响应的原始内容来获取图像。 为此，我们首先必须从PIL（Python图像库）导入Image作为。

我们使用图像的open()方法并传递响应的原始内容作为参数。 从此方法返回的值将分配给一个名为img的变量，如下所示

现在，我们绘制图像以确保一切正常。

当我们运行它时，由于PIL会产生错误。 我们必须首先安装pillow才能运行此代码。 我们必须在anaconda命令提示符下运行conda install -c anaconda pillow命令来安装pillow。

运行代码后，它将给出预期的输出。

步骤 4

我们需要确保图像与训练神经网络学习的内容相对应。 我们的图像是1000 * 1000像素，因此我们需要将其制作成28 * 28灰度图像，例如训练数据中的图像。 在我们训练的图像数据集中，图像具有黑色背景和白色前景，而在以上图像中，图像具有白色背景和黑色前景。 现在，我们的首要任务是对该图像进行预处理。

我们将使用PIL.ImageOps的invert ()方法，并将我们的图像作为参数传递。 此方法将反转图像的颜色。

该图像为RGB格式，具有三个像素强度值通道，由于多种原因，这会有问题。 为此，我们必须将此图像转换为二进制黑白图像，我们将按如下方式转换此图像

我们将以与转换所有其他训练图像相同的方式转换此图像。 我们必须将图像转换为28 * 28像素，因此我们必须在转换链组合中添加一个参数resize，如下所示

现在，我们的图像是张量形式，因此我们必须将其更改为numpy数组。 在绘制图像之前，我们必须导入PIL.ImageOps，然后绘制图像，如下所示

步骤 5

现在，我们将把此图像输入到我们的神经网络中以进行预测。 我们会将图像添加到设备中，并确保四维权重具有四维输入。 我们将取消压缩图像，并将其分配给一个新变量image，如下所示

这将返回一个新的张量，该张量的尺寸为1，该尺寸将插入到指定的位置零处。

它会给我们预期的预测，如下所示

步骤 6

下一步，我们包装验证加载器。 它将创建一个对象，该对象使我们可以一次遍历一个可更改的验证加载器元素。 我们通过在dataiter上调用next一次访问一个元素。 next（）函数将获取我们的第一批验证数据，并且该验证数据将分为图像和标签，如下所示

无需重塑图像。 我们将图像和标签添加到我们的设备中，并且我们还需要所有图像的输出和预测。

步骤 7

现在，我们将批量绘制图像及其对应的标签。 这将在plt的figure函数的帮助下完成，并且将fig的大小设置为等于整数25 * 4的元组，该元组将指定图形的宽度和高度。

现在，我们从批处理中绘制20个MNIST图像。我们使用add_subplot()方法将一个子图添加到当前图中，并将2、10和idx作为函数的参数传递。这里，2是行数，10是列数，idx是索引。

现在，我们将借助im_show()函数显示我们的图像，并为每个图像图添加标题，如下所示

最后，调用plt.show()，它会给我们一个错误。 此错误将是im_convert()函数，即无法将CUDA张量转换为numpy。 因此，我们必须使用tensor.cpu()，如下所示

现在，我们将重新调用plt.show()，它将为我们提供预期的输出，如下所示

完整代码

因此，很明显，与深度神经网络相比，CNN以最佳方式对图像进行分类。 这就是为什么我们更喜欢卷积神经网络而不是深度神经网络的原因。