本节涉及点：

从命令行参数读取需要预测的数据

从文件中读取数据进行预测

从任意字符串中读取数据进行预测

一、从命令行参数读取需要预测的数据

训练神经网络是让神经网络具备可用性，真正使用神经网络时，需要对新的输入数据进行预测，

这些输入数据 不像训练数据那样是有目标值(标准答案)，而是需要通过神经网络计算来获得预测的结果。

通过命令行参数输入数据：

importnumpy as npimportsys

predictData=None

argt= sys.argv[1:]#获取命令行参数后循环判断每一个参数，并寻找是否有以“-predict=” 为开始的字符串#使用成员函数 startswith 判断是否以另一个指定的字符串开头#如果有，去掉 "-predict=" 这个前缀，只取后面剩余的字符串#tmpStr = v[len("-predict=")] 作用是让 tmpStr 等于命令行参数v 去掉开头 "-predict=" 后的字符#len() 的作用是 获得任意字符串的长度#使用 numpy包中的 fromstring 函数，把 tmpStr 中字符串转换为一个数组

for v inargt:if v.startswith("-predict="):

tmpStr= v[len("-predict="):] #注意这里使用了切片print("tmpStr: %s" %tmpStr)

predictData= np.fromstring(tmpStr, dtype=np.float32, sep=",")print("predictData: %s" % predictData)

运行结果如下：

使用 Anaconda 执行该程序：

# numpy 字符串转变为数组函数 np.fromstring(tmpStr,dtype=np.float32,sep=",")

是指将字符串 tmpStr，以字符 "," 为分隔符，转换为数组内数据项的数据类型是 float32 的数组

调用训练好的神经网络进行预测：

importtensorflow as tfimportnumpy as npimportrandomimportosimportsys

ifRestartT=False

predictData=None

argt= sys.argv[1:]for v in argt:

if v == "-restart":

ifRestartT = True

if v.startswith("-predict="):

tmpStr = v[len("-predict="):]

predictData = np.fromstring(tmpStr, dtype=np.float32, sep=",")print("predictData: %s" %predictData)

trainResultPath= "./save/idcard2"random.seed()

x=tf.placeholder(tf.float32)

yTrain=tf.placeholder(tf.float32)

w1= tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)

b1= tf.Variable(0, dtype=tf.float32)

xr= tf.reshape(x, [1, 4])

n1= tf.nn.tanh(tf.matmul(xr, w1) +b1)

w2= tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)

b2= tf.Variable(0, dtype=tf.float32)

n2= tf.matmul(n1, w2) +b2

y= tf.nn.softmax(tf.reshape(n2, [2]))

loss= tf.reduce_mean(tf.square(y -yTrain))

optimizer= tf.train.RMSPropOptimizer(0.01)

train=optimizer.minimize(loss)

sess=tf.Session()ififRestartT:print("force restart...")

sess.run(tf.global_variables_initializer())elif os.path.exists(trainResultPath + ".index"):print("loading: %s" %trainResultPath)

tf.train.Saver().restore(sess, save_path=trainResultPath)else:print("train result path not exists: %s" %trainResultPath)

sess.run(tf.global_variables_initializer())if predictData is not None:

result = sess.run([x, y], feed_dict={x: predictData})

print(result[1])

print(y.eval(session=sess, feed_dict={x: predictData})) #第二种 输出神经网络计算结果的方法，解释见下

sys.exit(0) # 终止程序

# 如果 predictData 的数据 是 “None” ，则继续训练

# 否则说明已经从命令行参数中读取了需要预测的数据，那么就调用神经网络进行预测，输出结果 结束程序

lossSum= 0.0

for i in range(5):

xDataRandom= [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]if xDataRandom[2] % 2 ==0:

yTrainDataRandom= [0, 1]else:

yTrainDataRandom= [1, 0]

result= sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom})

lossSum= lossSum + float(result[len(result) - 1])print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1)))if os.path.exists("save.txt"):

os.remove("save.txt")print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

resultT= input('Would you like to save? (y/n)')if resultT == "y":print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

print(y.eval(session=sess, feed_dict={x: predictData}))

直接调用张量 y 的 eval 函数，并在命名参数 session 中传入 会话对象 sess，在命名参数 feed_dict 中传入需要预测的输入数据，就可以得到y 的计算结果

注意： 用神经网络计算，不需要传入目标值 yTrain ，也不需要在 sess.run 函数的结果数组中指定训练变量 trian

二、从文件中读取数据进行预测

假设在 程序执行目录下有此文件 ：

importtensorflow as tfimportnumpy as npimportrandomimportosimportsys

ifRestartT=False

predictData=None

argt= sys.argv[1:]#同样，先获取命令行参数，从前忘后遍历，如果有 “-file=” ，会从该参数指定的文件中读取数据#读取数据后放进 predictData 中，但此时， predictData 会是一个二维数组，其中每一行代表文件中的一行数据#为了保持一致，我们把用命令行参数 "-predict=" 指定的预测输入数据也套上了一个方括号变成二维数组【虽然只有一行】#使用 predictData.shape[0] 获取二维数组的行数#因为数组的形态本身也是一个数组，其中下标为 0 的数字代表了它的行数

for v inargt:if v == "-restart":

ifRestartT=Trueif v.startswith("-file="):

tmpStr= v[len("-file="):]print(tmpStr)

predictData= np.loadtxt(tmpStr, dtype=np.float32, delimiter=",")

predictRowCount= predictData.shape[0]print("predictRowCount: %s" %predictRowCount)if v.startswith("-predict="):

tmpStr= v[len("-predict="):]

predictData= [np.fromstring(tmpStr, dtype=np.float32, sep=",")]print("predictData: %s" %predictData)

trainResultPath= "./save/idcard2"random.seed()

x=tf.placeholder(tf.float32)

yTrain=tf.placeholder(tf.float32)

w1= tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)

b1= tf.Variable(0, dtype=tf.float32)

xr= tf.reshape(x, [1, 4])

n1= tf.nn.tanh(tf.matmul(xr, w1) +b1)

w2= tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)

b2= tf.Variable(0, dtype=tf.float32)

n2= tf.matmul(n1, w2) +b2

y= tf.nn.softmax(tf.reshape(n2, [2]))

loss= tf.reduce_mean(tf.square(y -yTrain))

optimizer= tf.train.RMSPropOptimizer(0.01)

train=optimizer.minimize(loss)

sess=tf.Session()ififRestartT:print("force restart...")

sess.run(tf.global_variables_initializer())elif os.path.exists(trainResultPath + ".index"):print("loading: %s" %trainResultPath)

tf.train.Saver().restore(sess, save_path=trainResultPath)else:print("train result path not exists: %s" %trainResultPath)

sess.run(tf.global_variables_initializer())if predictData is not None:

for i in range(predictRowCount):

print(y.eval(session=sess, feed_dict={x: predictData[i]}))

sys.exit(0)#用一个循环，把 predictData 中的所有行的数据都输入神经网络中计算一边，最后输出结果

lossSum = 0.0

for i in range(500000):

xDataRandom= [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]if xDataRandom[2] % 2 ==0:

yTrainDataRandom= [0, 1]else:

yTrainDataRandom= [1, 0]

result= sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom})

lossSum= lossSum + float(result[len(result) - 1])print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1)))if os.path.exists("save.txt"):

os.remove("save.txt")print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

resultT= input('Would you like to save? (y/n)')if resultT == "y":print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

就可以 程序从 data2.txt 中获取了数据并转换成为一个二维数组，神经网络载入训练的过程数据后，根据当时的可变参数取值对每一行数据进行了预测

三、从任意字符串中读取数据进行预测

[[1,2,3,4],[2,4,6,8],[5,6,1,2],[7,9,0,3]]

上方是 python 中定义数组的写法，那么可以用 python 提到的 eval 函数把这个 字符串转换成为想要的数组类型。

假设有一个文本文件，data3.txt 且 有且仅有 上述字符串作为文件内容，编程实现，从文件中读取数据进行预测 ：

importtensorflow as tfimportnumpy as npimportrandomimportosimportsys

ifRestartT=False

predictData=None

argt= sys.argv[1:]#如果制定了命令行参数 "-datafile=”，程序就从指定的文件中读取文件的全部内容#也就是把文件中的内容作为一个大字符串整个读进变量 fileStr 中#open 函数是 python 中用于打开指定位置文件的函数，会返回一个文件对象#调用该文件对象的 read 函数，就可以把文本文件的内容都读进来#再调用 eval 函数把这个字符串转换为 python 的数据对象#这里，python 会把它转换成一个 list 对象，直接用 numpy 的 array 函数就可以把它转换为数组

for v inargt:if v == "-restart":

ifRestartT=Trueif v.startswith("-file="):

tmpStr= v[len("-file="):]

predictData= np.loadtxt(tmpStr, dtype=np.float32, delimiter=",")

predictRowCount=predictData.shape[0]print("predictRowCount: %s" %predictRowCount)if v.startswith("-dataFile="):

tmpStr = v[len("-dataFile="):]

fileStr = open(tmpStr).read()

predictData = np.array(eval(fileStr))

predictRowCount = predictData.shape[0]print("predictRowCount: %s" % predictRowCount)if v.startswith("-predict="):

tmpStr= v[len("-predict="):]

predictData= [np.fromstring(tmpStr, dtype=np.float32, sep=",")]print("predictData: %s" %predictData)

trainResultPath= "./save/idcard2"random.seed()

x=tf.placeholder(tf.float32)

yTrain=tf.placeholder(tf.float32)

w1= tf.Variable(tf.random_normal([4, 8], mean=0.5, stddev=0.1), dtype=tf.float32)

b1= tf.Variable(0, dtype=tf.float32)

xr= tf.reshape(x, [1, 4])

n1= tf.nn.tanh(tf.matmul(xr, w1) +b1)

w2= tf.Variable(tf.random_normal([8, 2], mean=0.5, stddev=0.1), dtype=tf.float32)

b2= tf.Variable(0, dtype=tf.float32)

n2= tf.matmul(n1, w2) +b2

y= tf.nn.softmax(tf.reshape(n2, [2]))

loss= tf.reduce_mean(tf.square(y -yTrain))

optimizer= tf.train.RMSPropOptimizer(0.01)

train=optimizer.minimize(loss)

sess=tf.Session()ififRestartT:print("force restart...")

sess.run(tf.global_variables_initializer())elif os.path.exists(trainResultPath + ".index"):print("loading: %s" %trainResultPath)

tf.train.Saver().restore(sess, save_path=trainResultPath)else:print("train result path not exists: %s" %trainResultPath)

sess.run(tf.global_variables_initializer())if predictData is not None:

for i in range(predictRowCount):

print(y.eval(session=sess, feed_dict={x: predictData[i]}))

sys.exit(0)

lossSum= 0.0

for i in range(500000):

xDataRandom= [int(random.random() * 10), int(random.random() * 10), int(random.random() * 10), int(random.random() * 10)]if xDataRandom[2] % 2 ==0:

yTrainDataRandom= [0, 1]else:

yTrainDataRandom= [1, 0]

result= sess.run([train, x, yTrain, y, loss], feed_dict={x: xDataRandom, yTrain: yTrainDataRandom})

lossSum= lossSum + float(result[len(result) - 1])print("i: %d, loss: %10.10f, avgLoss: %10.10f" % (i, float(result[len(result) - 1]), lossSum / (i + 1)))if os.path.exists("save.txt"):

os.remove("save.txt")print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

resultT= input('Would you like to save? (y/n)')if resultT == "y":print("saving...")

tf.train.Saver().save(sess, save_path=trainResultPath)

执行程序：

当然，这里的格式也符合网络间传递数据的最常用的格式之一： JSON