tensorflow - Facenet 和单图像前向传播

Question

我已经进入了我的项目，但我立即陷入了困境。除了他们获取整个数据集并在他们的模型上使用它之外，我在网上没有看到任何关于前向传播的明确信息。

我的项目的想法是识别面部并比较它们的输出向量，因为 Facenet 的最后一层是面部嵌入的 128 维数组。网上的人只是在传播数据集，但为了我自己的实践，我想直接拍一张脸并查看它的输出，但我不知道该怎么做。

到目前为止，这就是我所拥有的，我再次陷入困境：

import tensorflow
import numpy as np 
from tensorflow import keras
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import img_to_array, load_img
from keras.optimizers import Adam

model = load_model('facenet_keras.h5')

pic = load_img('trump.jpg')
pic = img_to_array(pic)
pic = np.expand_dims(pic, axis=0)

model.compile(optimizer='adam', loss='categorical_crossentropy',metrics=['accuracy'])

我不知道从这里去哪里。我将图像放入数组中，但我迷路了

任何帮助，将不胜感激

Answer 1

我让它与赛斯的答案一起工作。一开始有点混乱，我发布的初始代码不起作用，但现在它做了我想要的。我一直在这样做的方式只是从在线和教程中拼凑示例代码并将其用于我的使用。

import tensorflow
import numpy as np 
from tensorflow import keras
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import img_to_array, load_img 
from keras.optimizers import Adam
from keras.applications.vgg16 import preprocess_input, decode_predictions

model = load_model('facenet_keras.h5', compile='False')

pic = load_img('trump.jpg', target_size=(160,160,3))
pic = img_to_array(pic)

pic = pic.reshape((1, pic.shape[0], pic.shape[1], pic.shape[2]))
pic = preprocess_input(pic)

model.compile(optimizer='adam', loss='categorical_crossentropy',metrics=['accuracy'])
output = model.predict(pic)
print(output)

据我所知，FaceNet 输出一个 128 维数组 [?] 我现在无法解释所有这些意味着什么。我会上网看看，但如果有人能提供人工帮助那就太好了

[[-0.36650193  0.07450597 -0.11253849  0.09382331  0.65579426  1.2289288
   0.7981924  -0.43557873 -0.9650308  -2.4071848   0.73522866 -1.2488084
  -0.7643076   0.97527826 -0.6454712  -1.3645316   1.0456135  -1.6320316
   0.5565866   0.09845503  0.7503164  -3.154975    0.6703275   2.3669581
   0.11742923  1.5341481   1.865606   -1.3307446  -0.632361   -1.6581261
   1.158609    1.8743702  -0.5332592  -0.06612988 -0.8802324   1.5062594
   1.9927465  -1.6820407   0.84190995  1.4670922   0.5759155   0.4494674
   0.35184044 -0.8682072  -1.1785389   2.2496219   0.9702482   0.5559205
  -1.5887636  -1.8496605   1.0645783   0.42627138  1.6334398   2.0875866
   0.05197076  3.3503294   0.46358824 -2.07692     1.5033835   1.7825121
   0.38589296  1.4082223   1.6586784   0.44597477 -0.39349917 -0.01715486
   2.3880703   0.05123563  0.6001561   1.7848682   0.57936746  2.2707727
  -0.17195459  1.8396529  -1.4007891   1.2714268  -0.41032675  0.64929354
  -1.7332536  -1.9563283  -0.52206075  0.866758   -0.6876267  -0.7875931
   0.9024028   0.6540389   1.4121637  -1.8792673   1.3698239   0.43517247
   0.1034093  -0.71052015  0.3376826   0.13816951 -0.9559467   3.2945871
   1.916734   -1.4701567   1.2339087   1.7374766  -1.2939825  -1.2702736
   1.970353   -0.5688637   1.004023   -1.9100393  -2.5775273   2.8778517
   1.4665067  -1.4564868  -1.6789169  -1.0139952   1.7792807  -1.4399014
  -1.2965738   1.1995381  -1.2554456   2.3882952   0.13599804 -1.6818564
  -0.5534592  -1.4732366   1.5166222  -0.28499228  0.96933156  0.4853603
   0.8890593  -2.5222735 ]]

Answer 2

你正在寻找

model.predict

??

https://keras.io/models/model/#predict