lesson

lessonFive/to_jpg.py

@@ -0,0 +1,76 @@
+#coding=utf-8
+import cv2
+import numpy as np
+import os
+import pickle
+
+
+#文件夹名
+str_2 = 'train_data'
+str_1 = 'test_data'
+
+#判断文件夹是否存在，不存在的话创建文件夹
+if os.path.exists(str_1) == False:
+   os.mkdir(str_1)
+if os.path.exists(str_2) == False:
+   os.mkdir(str_2)
+
+# 解压缩，返回解压后的字典，f,encoding='bytes'
+def unpickle(file):
+
+   fo = open(file, 'rb')
+   dict = pickle.load(fo, encoding='bytes')
+   fo.close()
+   return dict
+
+def cifar_jpg(dir_file):
+# 生成训练集图片，如果需要png格式，只需要改图片后缀名即可。
+   for j in range(1, 6):
+      dataName = dir_file + '/' + "data_batch_" + str(j) # 读取当前目录下的data_batch12345文件，dataName其实也是data_batch文件的路径，本文和脚本文件在同一目录下。
+      Xtr = unpickle(dataName)
+      print(Xtr)
+      print(dataName + " is loading...")
+
+      for i in range(0, 10000):
+        img = np.reshape(Xtr[b'data'][i], (3, 32, 32))
+        img = img.transpose(1, 2, 0) # 读取image
+        picName = 'train_data/' + str(Xtr[b'labels'][i]) + '_' + str(i + (j - 1) * 10000) + '.jpg' # Xtr['labels']为图片的标签，值范围0-9，本文中，train文件夹需要存在，并与脚本文件在同一目录下。
+        cv2.imwrite(picName, img)
+        print(dataName + " loaded.")
+
+   print("test_batch is loading...")
+
+# 生成测试集图片
+   testName = dir_file + '/' + 'data_batch_6'
+   testXtr = unpickle(testName)
+   for i in range(0, 10000):
+    img = np.reshape(testXtr[b'data'][i], (3, 32, 32))
+    img = img.transpose(1, 2, 0)
+    picName = 'test_data/' + str(testXtr[b'labels'][i]) + '_' + str(i) + '.jpg'
+    cv2.imwrite(picName, img)
+    print("test_batch loaded.")
+    return
+
+#标签与名字的对应关系
+def label_name():
+	label_name_dict ={
+       'airplane': "0",
+       'automobile': "1",
+       'bird': "2",
+       'cat': "3",
+       'deer': "4",
+       'dog': "5",
+       'frog': "6",
+       'horse': "7",
+       'ship': "8",
+       'truck': "9"
+    }
+	return label_name_dict
+
+if __name__ == '__main__':
+   dir_file = 'train_data'
+   #cifar_jpg(dir_file)
+try:
+   cifar_jpg(dir_file)
+except:
+   print('函数报错')

lessonOne/imgClassifierWeb/cnnModel.py

@@ -106,7 +106,7 @@ def fc_layer(flattened_layer, num_inputs, num_outputs):
             fc_resultl = tf.matmul(flattened_layer, fc_weights)
             return fc_resultl
         batch_size=gConfig['percent']*gConfig['dataset_size']/100
-        self.data_tensor=tf.placeholder(tf.float32,shape=tf.placeholder(tf.float32,shape=[batch_size,gConfig['im_dim'], gConfig['im_dim'],gConfig['num_channels']],name='data_tensor'))
+        self.data_tensor=tf.placeholder(tf.float32,shape=[batch_size,gConfig['im_dim'], gConfig['im_dim'],gConfig['num_channels']],name='data_tensor')
         self.label_tensor=tf.placeholder(tf.int32,shape=[batch_size],name='label_tensor')
         keep_prop=tf.Variable(initial_value=0.5,name="keep_prop")
         self.fc_result=create_CNN(input_data=self.data_tensor,num_classes=gConfig['num_dataset_classes'],keep_prop=gConfig['keeps'])

lessonSix/vgg16/app.py

@@ -0,0 +1,130 @@
+import flask
+import werkzeug
+import os
+import scipy.misc
+import tensorflow as tf
+import getConfig
+import execute
+
+gConfig = {}
+gConfig = getConfig.get_config(config_file='config.ini')
+
+# Creating a new Flask Web application. It accepts the package name.
+app = flask.Flask("imgClassifierWeb")
+
+
+def CNN_predict():
+    global sess
+    global model
+    global graph
+
+    """
+    global:
+    """
+    global secure_filename
+    # 从本地目录读取需要分类的图片
+    img = scipy.misc.imread(os.path.join(app.root_path, secure_filename))
+
+    """
+    校验图片格式
+    """
+    if (img.ndim) == 3:
+        """
+        是否为32*32
+        """
+        if img.shape[0] == img.shape[1] and img.shape[0] == 32:
+            """
+            是否为3通道，GRB
+            """
+            if img.shape[-1] == 3:
+
+                predicted_class = execute.predict_line(sess, model, img, graph)
+                """
+                将返回的结果用页面模板给渲染出来
+                """
+                return flask.render_template(template_name_or_list="prediction_result.html",
+                                             predicted_class=predicted_class)
+            else:
+                """ 如果检测出图片格式不符合要求，则返回错误并返回上传图片的格式"""
+                return flask.render_template(template_name_or_list="error.html", img_shape=img.shape)
+        else:
+            """ 如果检测出图片格式不符合要求，则返回错误并返回上传图片的格式"""
+            return flask.render_template(template_name_or_list="error.html", img_shape=img.shape)
+    return "遇到非图片格式的未知错误，请联系技术人员解决"
+
+
+"""
+flask路由系统：
+1、使用flask.Flask.route() 修饰器。
+2、使用flask.Flask.add_url_rule()函数。
+3、直接访问基于werkzeug路由系统的flask.Flask.url_map.
+参考知识链接：https://www.jianshu.com/p/e69016bd8f08
+1、@app.route('/index.html')
+    def index():
+        return "Hello World!"
+2、def index():
+    return "Hello World!"
+    index = app.route('/index.html')(index)
+app.add_url_rule:app.add_url_rule(rule,endpoint,view_func)
+关于rule、ednpoint、view_func以及函数注册路由的原理可以参考：https://www.cnblogs.com/eric-nirnava/p/endpoint.html
+"""
+app.add_url_rule(rule="/predict/", endpoint="predict", view_func=CNN_predict)
+"""
+知识点：
+flask.request属性
+form: 
+一个从POST和PUT请求解析的 MultiDict（一键多值字典）。
+args: 
+MultiDict，要操作 URL （如 ?key=value ）中提交的参数可以使用 args 属性:
+searchword = request.args.get('key', '')
+values: 
+CombinedMultiDict，内容是form和args。 
+可以使用values替代form和args。
+cookies: 
+顾名思义，请求的cookies，类型是dict。
+stream: 
+在可知的mimetype下，如果进来的表单数据无法解码，会没有任何改动的保存到这个·stream·以供使用。很多时候，当请求的数据转换为string时，使用data是最好的方式。这个stream只返回数据一次。
+headers: 
+请求头，字典类型。
+data: 
+包含了请求的数据，并转换为字符串，除非是一个Flask无法处理的mimetype。
+files: 
+MultiDict，带有通过POST或PUT请求上传的文件。
+method: 
+请求方法，比如POST、GET
+知识点参考链接：https://blog.csdn.net/yannanxiu/article/details/53116652
+werkzeug
+"""
+
+
+def upload_image():
+    global secure_filename
+    if flask.request.method == "POST":  # 设置request的模式为POST
+        img_file = flask.request.files["image_file"]  # 获取需要分类的图片
+        secure_filename = werkzeug.secure_filename(img_file.filename)  # 生成一个没有乱码的文件名
+        img_path = os.path.join(app.root_path, secure_filename)  # 获取图片的保存路径
+        img_file.save(img_path)  # 将图片保存在应用的根目录下
+        print("图片上传成功.")
+        """
+
+        """
+        return flask.redirect(flask.url_for(endpoint="predict"))
+    return "图片上传失败"
+
+
+"""
+"""
+app.add_url_rule(rule="/upload/", endpoint="upload", view_func=upload_image, methods=["POST"])
+
+
+def redirect_upload():
+    return flask.render_template(template_name_or_list="upload_image.html")
+
+
+"""
+"""
+app.add_url_rule(rule="/", endpoint="homepage", view_func=redirect_upload)
+sess = tf.Session()
+sess, model, graph = execute.init_session(sess, conf='config.ini')
+if __name__ == "__main__":
+    app.run(host="localhost", port=7777, debug=False)

lessonSix/vgg16/config.ini

@@ -0,0 +1,24 @@
+[strings]
+# Mode : train, test, serve
+mode = train
+working_directory = model/
+dataset_path=/Users/zhaoyingjun/Learning/TensorFlow_code/lessonOne/imgClassifierWeb/train_data/
+dataset_test=/Users/zhaoyingjun/Learning/TensorFlow_code/lessonOne/imgClassifierWeb/test_data/
+
+[ints]
+steps_per_checkpoint = 10
+num_dataset_classes=10
+dataset_size=50000
+im_dim=32
+num_channels = 3
+num_files=5
+images_per_file=10000
+max_gradient_norm=5
+
+[floats]
+learning_rate = 0.01
+keeps=0.5
+learning_rate_decay_factor = 0.9
+percent=1
+end_learning_rate=0.0
+