一、在tensorflow中新建及保存模型
启动Jupyter Notebook
新建Notebook
生成 mnist_model.h5 模型的代码
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D # MNIST 数据集参数
num_classes = 10 # 总类别数
img_rows, img_cols = 28, 28 # 图像尺寸 # 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data() # 将图像数据调整为 TensorFlow 需要的格式，并进行归一化处理
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255 # 将类别标签转换为 one-hot 编码
y_train = tf.keras.utils.to_categorical(y_train, num_classes)
y_test = tf.keras.utils.to_categorical(y_test, num_classes) # 创建模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(img_rows, img_cols, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax')) # 编译模型
model.compile(loss=tf.keras.losses.categorical_crossentropy, optimizer=tf.keras.optimizers.Adadelta(), metrics=['accuracy']) # 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, verbose=1, validation_data=(x_test, y_test)) # 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
model.save('mnist_model.h5')mnist_hello.py文件
from flask import Flask, request, jsonify # type: ignore
import numpy as np # type: ignore
import tensorflow as tf # type: ignore
import json
from PIL import Image # type: ignoreapp = Flask(__name__) # 加载模型（确保模型文件与此脚本在同一目录下，或者提供正确的路径）
model = tf.keras.models.load_model('mnist_model.h5') @app.route('/predictlast', methods=['GET'])
def predictlast(): # if 'file' not in request.files: # return jsonify({'error': 'No file part in the request'}), 400 # file = request.files['file'] # file = Image.open('path_to_your_image.jpg')# 如果用户未选择文件，浏览器也会提交一个空文件部分，没有文件名 # if file.filename == '': # return jsonify({'error': 'No selected file'}), 400 img_array = np.random.rand(1, 28, 28) # 生成一个随机的28x28图像作为示例# 如果你想保存为标准的灰度图像（0-255），需要将值乘以255并转换为整数 random_image_uint8 = (img_array * 255).astype(np.uint8) # 因为我们只有一个图像，所以我们可以去掉第一个维度（如果有多个图像，需要遍历它们） single_image = random_image_uint8[0] # 将NumPy数组转换为PIL Image对象 image_pil = Image.fromarray(single_image, mode='L') # 'L' 表示灰度模式 # 保存图片到本地 image_pil.save('random_28x28_gray.png') # 显示图片（可选） image_pil.show()# 读取图片文件 #img = Image.open('random_28x28_gray.png') # 转换为模型需要的格式 #img_array = preprocess_image(img)# 使用模型进行预测 prediction = model.predict(img_array)# 输出预测结果print(prediction)# print(prediction)# 假设你的模型输出的是 one-hot 编码，你需要找到概率最高的类别 # predicted_class = np.argmax(prediction, axis=1)[0] # 返回预测结果 # return jsonify({'predicted_class': predicted_class}) return "成功"# 【测试通过】本地图片生成为28x28图像，并进行预测
@app.route('/predictlast_new', methods=['GET'])
def predictlast_new():# 加载本地图片 #image_path = 'image_3.jpg' # 替换为你的图片路径 image_path = 'image_9.png'image = Image.open(image_path).convert('L') # 转换为灰度图像 # 调整图片尺寸为28x28 image = image.resize((28, 28), Image.LANCZOS) # 将PIL图像转换为NumPy数组 image_array = np.array(image) # 归一化图像数据（将像素值缩放到0-1范围） image_array = image_array.astype('float32') / 255.0 # 如果你的模型期望的输入是4D的（batch_size, height, width, channels）， # 你需要添加一个维度来表示batch_size（在这个案例中是1） image_array = np.expand_dims(image_array, axis=0) # 加载预训练的模型 model = tf.keras.models.load_model('mnist_model.h5') # 使用模型进行预测 predictions = model.predict(image_array) # 输出预测结果（通常predictions是一个二维数组，包含每个类别的概率） print(predictions) # 如果你想要得到最有可能的类别，你可以取概率最高的索引 predicted_class = np.argmax(predictions[0]) print(f'预测的数字: {predicted_class}')return "成功" if __name__ == '__main__': app.run(debug=True) # 启动Flask应用（开发模式）二、VScode 启动Flask命令
pip install tensorflow
pip install Pillow
python -- mnist_hello.py启动效果
运行时本地需要的图片，并将图片名称命名为 image_9.png
三、访问地址
http://127.0.0.1:5000/predictlastpredictlast_new
四、最后
如遇到问题，可留言，如需要文件，请填写邮箱地址
