已經上傳了完整的代碼和數據，數據比較少，大家可以幫忙補充。

項目地址（記得給個start）：https://github.com/jimenbian/face_rank

?

最近咳嗽加班比較嚴重，耽誤了幾天，今天接著之前的文章來講。在上一篇文章中我們已經生成了預測模型，今天要做的事情很簡單，就是調用這個模型針對某一張人臉圖片進行分類，看看究竟把這個人按照顏值分到class1（好看的一類）還是class2（不好看的一類）。現在直接來看face_test.py這個代碼。

?

路徑設置

IMAGE_PATH = './trainDataSet/class1/d.jpg'

MODEL_PATH='./model/model'

?

• IMAGE_PATH是需要預測的圖片的地址，我們就隨便選了一張，帥不帥大家自己判斷

?

• MODEL_PATH是上一篇文章介紹的生成好的模型存放的路徑

?

網絡結構

通過conv_net函數構建的CNN網絡結構

?

圖片預處理

接下來我們要對預測圖片做一下預處理，是得圖片可以直接通過模型預測。預處理邏輯與訓練的時候基本相同

image_test = tf.read_file(IMAGE_PATH)

image_test =tf.image.decode_jpeg(image_test, channels=CHANNELS)

image_test =tf.image.resize_images(image_test, [IMG_HEIGHT, IMG_WIDTH])

image_test = image_test * 1.0/127.5 - 1.0

label=0

X_test= tf.train.batch([image_test],batch_size=batch_size,capacity=batch_size *8, num_threads=4)

?

做一些解碼、resize、歸一化工作，然后將預測圖片生成為tensorflow的batch。

?

?

構建預測邏輯

logits_train = conv_net(X_test, N_CLASSES,dropout, reuse=False, is_training=True)

result=tf.argmax(logits_train, 1)

首先通過conv_net函數構建網絡，因為是二分類問題，只有好看和不好看兩種情況，通過tf.argmax挑選出屬于class1和class2的概率。

?

在session中啟動result的計算op，然后把結果打印。

?

預測結果

通過tf.session中的print(result1[0])把結果打印出來：

• 如果結果是0表示預測圖片屬于class1

• 如果結果是1表示屬于class2

好啦，兩篇分享的文章都寫出來了，代碼數據也貢獻出來了，大家學會了沒~

總結

以上是生活随笔為你收集整理的深度学习实现NBA球星颜值打分完整案例（二）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。