Fork from https://github.com/daltskin/CustomVision-TensorFlow-CSharp

说明：pb模型是什么以及为什么要使用pb模型，请参考这里，我们不做过多的说明。这里我们只分享如何使用CustomVision-TensorFlow-CSharp调用我们自己的pb模型。

单个宫颈细胞图像分类，是一个三分类任务，三个类别分别是：垃圾细胞（Junk）、正常细胞（Negative）、异常细胞（Positive）三个类别的示例图片分别如下图所示：

首先，使用大量带标签的数据集训练出分类器，并将模型保存为pb格式。请参考这里。

替换文件：将CustomVision-TensorFlow-CSharp中的model.pb、test.jpg、labels.txt替换为自己相应的文件，如下图所示：

修改代码：项目的目录结构如下图所示，其中被红色方框框住的两个文件是需要修改的文件：

为网络模型的placeholder赋值：

上图中的Placeholder以及Placeholder_2实际为网络结构中定义的placeholder的名字，在定义网络结构时可以通过如下方式指定placeholder的名字：

inputs = tf.placeholder(tf.float32, [None, 224, 224, 3],name="inputs")  
labels = tf.placeholder(tf.float32, [None, self.class_num],name="labels")
is_training = tf.placeholder(tf.bool,name="is_training")

假如没有特别为placeholder指定名字，tensorflow也会为placeholder指定默认的名字，可以直接将placeholder tensor打印出来如下所示：

print inputs
print labels
print is_training

# 打印结果
Tensor("Placeholder:0", shape=(?, 128, 128, 3), dtype=float32)
Tensor("Placeholder_1:0", shape=(?, 3), dtype=float32)
Tensor("Placeholder_2:0", dtype=bool)

假如已经生成好了pb模型，但是确实不知道placeholder的name，可以通过这里查看pb模型各网络层的name。

根据模型输入图片的长宽修改如下W、H变量，同时该函数还提供对输入图片去均值化、最大值归一化等操作。