photo_1 = np.asarray(image_1).astype(np.float64)/255

这段代码将 `image_1` 转换为 NumPy 数组，并进行了数据类型转换和归一化操作。

首先，通过 `np.asarray(image_1)` 将图像 `image_1` 转换为 NumPy 数组。

然后，使用 `.astype(np.float64)` 将数组的数据类型转换为 `np.float64`，即浮点数类型，以便后续进行精确计算。

接下来，将数组的每个元素除以 255，通过除以最大像素值来进行归一化操作。这将将图像的像素值范围从 [0, 255] 缩放到 [0, 1]。

最后，得到的结果是一个归一化后的浮点数数组 `photo_1`，其中每个元素表示原始图像中对应像素的归一化值。这样的归一化操作通常有助于提高模型的训练效果和数值稳定性。

相关问题

if self.input_shape[-1]==1: photo_1 = np.expand_dims(photo_1,-1) photo_2 = np.expand_dims(photo_2,-1)

这段代码对 `photo_1` 和 `photo_2` 进行了维度扩展操作。首先，通过 `self.input_shape[-1]` 判断输入图像的通道数是否为1。如果是1，即表示图像是灰度图像。

接下来，使用 `np.expand_dims(photo_1, -1)` 对 `photo_1` 进行维度扩展，在最后一个维度上增加一个维度，即将其从形状 `(H, W)` 变为 `(H, W, 1)`。同样的操作也应用于 `photo_2`。

这种维度扩展操作通常用于将单通道的图像扩展为多通道的形式，以便与需要多通道输入的模型兼容。在这种情况下，将灰度图像的通道数从1扩展为3（RGB模式）或其他需要的通道数。

最后，返回处理后的 `photo_1` 和 `photo_2`。这段代码实现了根据输入图像通道数进行维度扩展的功能。

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = '/home/aistudio/data/data55032/archive_test.zip' infer_dst_path = '/home/aistudio/data/archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyCNN") model = MyCNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='data/archive_test/alexandrite_6.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为：{},真实标签为：{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束") 以上代码进行DNN预测，根据这段代码写一段续写一段利用这个模型进行宝石预测的GUI界面,其中包含预测结果是否正确的判断功能

好的，以下是一个简单的GUI界面的代码，可以利用模型进行宝石预测，并且包含预测结果是否正确的判断功能。

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import numpy as np
import paddle

class MyCNN(paddle.nn.Layer):
    # 省略模型定义，保持与上述代码一致

def unzip_infer_data(src_path,target_path):
    ''' 解压预测数据集 '''
    if(not os.path.isdir(target_path)):
        z = zipfile.ZipFile(src_path, 'r')
        z.extractall(path=target_path)
        z.close()

def load_image(img_path):
    ''' 预测图片预处理 '''
    img = Image.open(img_path)
    if img.mode != 'RGB':
        img = img.convert('RGB')
    img = img.resize((224, 224), Image.BILINEAR)
    img = np.array(img).astype('float32')
    img = img.transpose((2, 0, 1)) # HWC to CHW
    img = img/255 # 像素值归一化
    return img

def predict(image_path, model):
    label_dic = train_parameters['label_dict']
    data = load_image(image_path)
    dy_x_data = np.array(data).astype('float32')
    dy_x_data = dy_x_data[np.newaxis,:, : ,:]
    img = paddle.to_tensor(dy_x_data)
    out = model(img)
    lab = np.argmax(out.numpy()) #argmax():返回最大数的索引
    return label_dic[str(lab)], label_dic

def check_result(predicted_label, true_label):
    if predicted_label == true_label:
        return True
    else:
        return False

class App:
    def __init__(self, root):
        self.root = root
        self.model = MyCNN()
        para_state_dict = paddle.load("MyCNN")
        self.model.set_state_dict(para_state_dict)
        self.model.eval() #验证模式
        self.label_dic = train_parameters['label_dict']
        self.true_label = ''
        self.predicted_label = ''
        self.result_label = ''

        self.canvas = tk.Canvas(root, width=300, height=300)
        self.canvas.pack(side='left')

        self.frame = tk.Frame(root)
        self.frame.pack(side='right', padx=10)

        self.select_image_button = tk.Button(
            self.frame,
            text='选择图片',
            command=self.select_image)
        self.select_image_button.pack(pady=10)

        self.predict_button = tk.Button(
            self.frame,
            text='预测',
            command=self.predict)
        self.predict_button.pack(pady=10)

        self.result_label = tk.Label(self.frame, text='')
        self.result_label.pack(pady=10)

    def select_image(self):
        file_path = filedialog.askopenfilename()
        if file_path:
            self.image_path = file_path
            self.show_image()

    def show_image(self):
        image = Image.open(self.image_path)
        image = image.resize((300, 300))
        self.photo = ImageTk.PhotoImage(image)
        self.canvas.create_image(0, 0, anchor='nw', image=self.photo)

    def predict(self):
        if hasattr(self, 'image_path'):
            self.true_label = self.image_path.split('/')[-1].split("_")[0]
            self.predicted_label, label_dic = predict(self.image_path, self.model)
            result = check_result(self.predicted_label, self.true_label)
            if result:
                self.result_label.config(text='预测结果正确')
            else:
                self.result_label.config(text='预测结果错误')

if __name__ == '__main__':
    infer_src_path = '/home/aistudio/data/data55032/archive_test.zip'
    infer_dst_path = '/home/aistudio/data/archive_test'
    unzip_infer_data(infer_src_path, infer_dst_path)
    train_parameters = {'label_dict': {'0': 'alexandrite', '1': 'aquamarine', '2': 'diamond', '3': 'emerald', '4': 'opal', '5': 'pearl', '6': 'peridot', '7': 'ruby', '8': 'sapphire', '9': 'spinel', '10': 'tanzanite', '11': 'topaz', '12': 'tourmaline', '13': 'tsavorite'}}

    root = tk.Tk()
    app = App(root)
    root.mainloop()

你可以把以上代码保存为.py文件，在命令行中运行即可看到GUI界面。界面包含一个选择图片的按钮和一个预测按钮。选择图片后，点击预测按钮可以进行宝石预测，并且会显示预测结果是否正确。