用模型预测测试数据

Hi, I’m Shendi

2、用模型预测测试数据

在之前已经训练好了一个模型，可以通过 model.save("path") 来保存模型到硬盘，下次直接使用。

这个模型使用的 mnist 数据集训练，这个数据集包含6万训练样本和一万测试样本，28*28像素，是一个手写数字数据集，相当于在学习编程语言的hello,world

接下来就开始使用训练好的模型

使用测试数据测试

最开始我尝试直接用画图工具绘制一个数组，让其识别。但识别出来的压根不对，也不清楚什么原因，所以从最开始的弄起。

既然训练的模型评估的准确度达到90%多，那么使用测试数据就没有问题了吧，我将测试数据的图片保存依然识别不对。于是直接使用加载的测试数据

最开始，当然是加载数据集

# 加载 mnist 数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

通过 tf.keras.models.load_model 加载保存的模型，我存储在 my_model 文件夹中

model = tf.keras.models.load_model('my_model')

# 选择一些测试集样本
selected_samples = x_test[:5]
true_labels = y_test[:5]

其中x_test是样本数据，y_test样本的正确标签

通过 predict 进行预测，在之前训练的模型有十个输出层，0-9，预测获得的结果就是这个样本对应输出层的可信度，最终结果选择可信度最高的那个

predictions = model.predict(selected_samples)
print(predictions)
# 选取可信度最高的打印
print(tf.argmax(predictions[0]).numpy())

因为我使用vscode，所以没办法直接show，只能保存到本地文件夹查看结果，于是使用以下代码

# 保存图像和预测结果到文件
for i in range(len(selected_samples)):
    plt.imshow(selected_samples[i], cmap='gray')  # 显示灰度图像
    plt.title(f"Predicted: {tf.argmax(predictions[i]).numpy()}, True: {true_labels[i]}")
    plt.axis('off')
    plt.savefig(f"predicted_image_{i}.png")  # 保存图像
    plt.close()

这个结果是准确的，效果如下

在这里插入图片描述

其中上面的predicted是预测结果，true是正确结果

问题

就如上面所说，我将数据集的测试数据的某张图片保存到本地，然后加载，用模型预测加载的图片，是不准确的。

我的代码

import tensorflow as tf
import matplotlib.pyplot as plt

from PIL import Image
import numpy as np

# 加载 mnist 数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

def initModel():
    model = tf.keras.models.Sequential([
        tf.keras.layers.Flatten(input_shape=(28, 28)),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dropout(0.2),
        tf.keras.layers.Dense(10)
    ])

    predictions = model(x_train[:1]).numpy()
    tf.nn.softmax(predictions).numpy()

    loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
    loss_fn(y_train[:1], predictions).numpy()

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

    model.fit(x_train, y_train, epochs=5)

    r = model.evaluate(x_test,  y_test, verbose=2)
    print(r)

    model.save("my_model");

    # probability_model = tf.keras.Sequential([
    #   model,
    #   tf.keras.layers.Softmax()
    # ])
    # probability_model(x_test[:5])
# initModel();

def test():
    model = tf.keras.models.load_model('my_model')
    # 选择一些测试集样本
    selected_samples = x_test[:5]
    true_labels = y_test[:5]

    # 使用模型对样本进行预测
    predictions = model.predict(selected_samples)
    print(predictions)
    print(tf.argmax(predictions[0]).numpy())

    # 保存图像和预测结果到文件
    for i in range(len(selected_samples)):
        plt.imshow(selected_samples[i], cmap='gray')  # 显示灰度图像
        plt.title(f"Predicted: {tf.argmax(predictions[i]).numpy()}, True: {true_labels[i]}")
        plt.axis('off')
        plt.savefig(f"predicted_image_{i}.png")  # 保存图像
        plt.close()
# test();

def test2():
    model = tf.keras.models.load_model('my_model')
    
    # 准备图像
    img_path = 'test_img.png'  # 替换为你的图像文件路径
    image = Image.open(img_path)
    image = image.convert('L')  # 转换为灰度图像
    image = image.resize((28, 28))  # 调整图像大小
    image = np.array(image)  # 转换为 numpy 数组

    # 归一化处理（如果在训练模型时有进行归一化）
    image = image.astype('float32') / 255

    plt.imshow(image, cmap='gray')  # 显示灰度图像
    plt.axis('off')
    plt.savefig(f"my.png")  # 保存图像
    plt.close()

    # 对图像进行预测
    prediction = model.predict(np.expand_dims(image, axis=0))
    print(prediction)
    print(np.argmax(prediction, axis=1))
test2()

def saveImg(index):
    img = Image.fromarray(x_test[index])
    img.save('test_img.png')
saveImg(0)