def evaluation(img_path):
ckpt_path = CKPT_PATH
# GraphのReset(らしいが、何をしているのかよくわかっていない…)
tf.reset_default_graph()
# データを入れる配列
image = []
img = cv2.imread(img_path)
img = cv2.resize(img, (28, 28))
# 画像情報を一列にした後、0-1のfloat値にする
image.append(img.flatten().astype(np.float32)/255.0)
# numpy形式に変換し、TensorFlowで処理できるようにする
image = np.asarray(image)
# 入力画像に対して、各ラベルの確率を出力して返す(main.pyより呼び出し)
logits = main.inference(image, 1.0)
# We can just use 'c.eval()' without passing 'sess'
sess = tf.InteractiveSession()
# restore(パラメーター読み込み)の準備
saver = tf.train.Saver()
# 変数の初期化
sess.run(tf.initialize_all_variables())
if ckpt_path:
# 学習後のパラメーターの読み込み
saver.restore(sess, ckpt_path)
# sess.run(logits)と同じ
softmax = logits.eval()
# 判定結果
result = softmax[0]
# 判定結果を%にして四捨五入
rates = [round(n * 100.0, 1) for n in result]
humans = []
# ラベル番号、名前、パーセンテージのHashを作成
for index, rate in enumerate(rates):
name = HUMAN_NAMES[index]
humans.append({
'label': index,
'name': name,
'rate': rate
})
# パーセンテージの高い順にソート
rank = sorted(humans, key=lambda x: x['rate'], reverse=True)
# 判定結果を返す
return rank
def evaluation(img_path, ckpt_path):
# GraphのReset(らしいが、何をしているのかよくわかっていない…)
tf.reset_default_graph()
# ファイルを開く
f = open(img_path, 'r')
img = cv2.imread(img_path, cv2.IMREAD_COLOR)
# モノクロ画像に変換
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
face = faceCascade.detectMultiScale(gray, 1.1, 3)
if len(face) > 0:
for rect in face:
# 加工した画像に何でもいいので適当な名前をつけたかった。日付秒数とかでいいかも
random_str = str(random.random())
# 顔部分を赤線で書こう
cv2.rectangle(img, tuple(rect[0:2]), tuple(rect[0:2]+rect[2:4]), (0, 0, 255), thickness=2)
# 顔部分を赤線で囲った画像の保存先
face_detect_img_path = './static/images/face_detect/' + random_str + '.jpg'
# 顔部分を赤線で囲った画像の保存
cv2.imwrite(face_detect_img_path, img)
x = rect[0]
y = rect[1]
w = rect[2]
h = rect[3]
# 検出した顔を切り抜いた画像を保存
cv2.imwrite('./static/images/cut_face/' + random_str + '.jpg', img[y:y+h, x:x+w])
# TensorFlowへ渡す切り抜いた顔画像
target_image_path = './static/images/cut_face/' + random_str + '.jpg'
else:
# 顔が見つからなければ処理終了
print 'image:NoFace'
return
f.close()
f = open(target_image_path, 'r')
# データを入れる配列
image = []
img = cv2.imread(target_image_path)
img = cv2.resize(img, (28, 28))
# 画像情報を一列にした後、0-1のfloat値にする
image.append(img.flatten().astype(np.float32)/255.0)
# numpy形式に変換し、TensorFlowで処理できるようにする
image = np.asarray(image)
# 入力画像に対して、各ラベルの確率を出力して返す(main.pyより呼び出し)
logits = main.inference(image, 1.0)
# We can just use 'c.eval()' without passing 'sess'
sess = tf.InteractiveSession()
# restore(パラメーター読み込み)の準備
saver = tf.train.Saver()
# 変数の初期化
sess.run(tf.initialize_all_variables())
if ckpt_path:
# 学習後のパラメーターの読み込み
saver.restore(sess, ckpt_path)
# sess.run(logits)と同じ
softmax = logits.eval()
# 判定結果
result = softmax[0]
# 判定結果を%にして四捨五入
rates = [round(n * 100.0, 1) for n in result]
humans = []
# ラベル番号、名前、パーセンテージのHashを作成
for index, rate in enumerate(rates):
name = HUMAN_NAMES[index]
humans.append({
'label': index,
'name': name,
'rate': rate
})
# パーセンテージの高い順にソート
rank = sorted(humans, key=lambda x: x['rate'], reverse=True)
# 判定結果と加工した画像のpathを返す
return [rank, face_detect_img_path, target_image_path]
flag = True
print("NOW RUNNNING")
while True:
cursor = userchat.find({"type":"sent", "replied":False})
for document in cursor:
mid = document['mid']
message = document['message'].lower()
sender = document['sender']
if flag:
reply = str(bot.get_response(message))
if message=='second layer':
flag = False
reply = "Second Layer Activated"
else:
if message == 'first layer':
flag = True
reply = "First Layer Activated"
continue
top_n = 3
sentence = m.inference(seed, top_n)
reply = ''.join(sentence)
now = datetime.now() # current date and time
date = now.strftime("%d-%m-%Y")
time = now.strftime("%H:%M:%S")
print(document,)
print("REPLY")
print(reply)
print("\n\n\n")
userchat.insert({"type":"recieved", "mid":mid, "sender":sender, "message":reply, "time":time, "date":date})
userchat.update_one({"mid":mid, "sender":sender},{"$set":{"replied":True}})
# Load trained weights (and extra objects needed) for our model
c_path = rf'c_object_trained_on_train1test1.wtag.pkl'
f_path = rf'f_object_trained_on_train1test1.wtag.pkl'
weights_path = rf'weights_trained_on_train1test1.wtag.pkl'
with open(c_path, 'rb') as file:
c = pickle.load(file)
with open(f_path, 'rb') as file:
f = pickle.load(file)
with open(weights_path, 'rb') as file:
weights = pickle.load(file)
# Run inference on competition 1 data file and write results to file according to .wtag format (described in HW1)
main.inference(path_file_to_tag=r'comp1.words',
path_result=r'comp_m1_308044296.wtag',
weights=weights,
features_indices=f,
class_statistics=c,
beam=50)
""" -------------------------------- """
""" PREPARE COMP 2 FILE FROM WEIGHTS """
# Load trained weights (and extra objects needed) for our model
c_path = rf'c_object_trained_on_train2.wtag.pkl'
f_path = rf'f_object_trained_on_train2.wtag.pkl'
weights_path = rf'weights_trained_on_train2.wtag.pkl'
with open(c_path, 'rb') as file:
c = pickle.load(file)
with open(f_path, 'rb') as file:
f = pickle.load(file)
with open(weights_path, 'rb') as file:
weights = pickle.load(file)