代码：

[python] 

1. import tensorflow as tf  
2. import os  
3. import numpy as np  
4. import re  
5. from PIL import Image  
6. import matplotlib.pyplot as plt  

代码：

[python] 

1. class NodeLookup(object):  
2.     def __init__(self):    
3.         label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'     
4.         uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'  
5.         self.node_lookup = self.load(label_lookup_path, uid_lookup_path)  
6.   
7.     def load(self, label_lookup_path, uid_lookup_path):  
8.         # 加载分类字符串n********对应分类名称的文件  
9.         proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()  
10.         uid_to_human = {}  
11.         #一行一行读取数据  
12.         for line in proto_as_ascii_lines :  
13.             #去掉换行符  
14.             line=line.strip('\n')  
15.             #按照'\t'分割  
16.             parsed_items = line.split('\t')  
17.             #获取分类编号  
18.             uid = parsed_items[0]  
19.             #获取分类名称  
20.             human_string = parsed_items[1]  
21.             #保存编号字符串n********与分类名称映射关系  
22.             uid_to_human[uid] = human_string  
23.   
24.         # 加载分类字符串n********对应分类编号1-1000的文件  
25.         proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()  
26.         node_id_to_uid = {}  
27.         for line in proto_as_ascii:  
28.             if line.startswith('  target_class:'):  
29.                 #获取分类编号1-1000  
30.                 target_class = int(line.split(': ')[1])  
31.             if line.startswith('  target_class_string:'):  
32.                 #获取编号字符串n********  
33.                 target_class_string = line.split(': ')[1]  
34.                 #保存分类编号1-1000与编号字符串n********映射关系  
35.                 node_id_to_uid[target_class] = target_class_string[1:-2]  
36.   
37.         #建立分类编号1-1000对应分类名称的映射关系  
38.         node_id_to_name = {}  
39.         for key, val in node_id_to_uid.items():  
40.             #获取分类名称  
41.             name = uid_to_human[val]  
42.             #建立分类编号1-1000到分类名称的映射关系  
43.             node_id_to_name[key] = name  
44.         return node_id_to_name  
45.   
46.     #传入分类编号1-1000返回分类名称  
47.     def id_to_string(self, node_id):  
48.         if node_id not in self.node_lookup:  
49.             return ''  
50.         return self.node_lookup[node_id]  
51.   
52.   
53. #创建一个图来存放google训练好的模型  
54. with tf.gfile.FastGFile('inception_model/classify_image_graph_def.pb', 'rb') as f:  
55.     graph_def = tf.GraphDef()  
56.     graph_def.ParseFromString(f.read())  
57.     tf.import_graph_def(graph_def, name='')  
58.   
59.   
60. with tf.Session() as sess:  
61.     softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')  
62.     #遍历目录  
63.     for root,dirs,files in os.walk('image/'):  
64.         for file in files:  
65.             #载入图片  
66.             image_data = tf.gfile.FastGFile(os.path.join(root,file), 'rb').read()  
67.             predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': image_data})#图片格式是jpg格式  
68.             predictions = np.squeeze(predictions)#把结果转为1维数据  
69.   
70.             #打印图片路径及名称  
71.             image_path = os.path.join(root,file)  
72.             print(image_path)  
73.             #显示图片  
74.             img=Image.open(image_path)  
75.             plt.imshow(img)  
76.             plt.axis('off')  
77.             plt.show()  
78.   
79.             #排序  
80.             top_k = predictions.argsort()[-5:][::-1]  
81.             node_lookup = NodeLookup()  
82.             for node_id in top_k:       
83.                 #获取分类名称  
84.                 human_string = node_lookup.id_to_string(node_id)  
85.                 #获取该分类的置信度  
86.                 score = predictions[node_id]  
87.                 print('%s (score = %.5f)' % (human_string, score))  
88.             print()  

运行结果：