在keras中对单一输入图像进行预测并返回预测结果操作

模型经过训练测试之后，我们往往用一两张图对模型预测结果进行分析讨论，那么下面介绍在keras中用已训练的模型经过测试的方法。

下面是以利用预训练的ResNet来展示预测的效果，选了一张狗的图片，是来自一个kaggle比赛的。

预测结果第一个是一种苏格兰品种的狗，我也不知道准不准 == 。

import numpy as np
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing import image
from keras.applications import *

import os

# 忽略硬件加速的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

file_path = 'images/0a70f64352edfef4c82c22015f0e3a20.jpg'

img = image.load_img(file_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)

model = ResNet50(weights='imagenet')
y = model.predict(x)
# print(np.argmax(y))
print('Predicted:', decode_predictions(y, top=3)[0])

讲几点：

1.输入img转成numpy数组，shape处理成（224,224,3）一般来讲，对于预训练模型是有一个最小的尺寸值，比最小尺寸大就可以了。在ResNet中，尺寸最小大于等于197即可。

2.要对输入shape扩维变成（None，224,224,3），第一个None是batches，模型并不知道你输入的batches是多少，但是维度必须和ResNet的输入要一致。

3.虽然用的是ResNet，自己设计的模型也一个道理，保留一下训练的权重，把model模块和预测模块分开写，这个时候load一下权重，再预测即可。

补充知识：keras：怎样使用 fit_generator 来训练多个不同类型的输出

这个例子非常简单明了，模型由1个输入，2个输出，两个输出的分支分别使用MSE作为损失。

x = Convolution2D(8, 5, 5, subsample=(1, 1))(image_input)
x = Activation('relu')(x)
x = Flatten()(x)
x = Dense(50, W_regularizer=l2(0.0001))(x)
x = Activation('relu')(x)

output1 = Dense(1, activation='linear', name='output1')(x)
output2 = Dense(1, activation='linear', name='output2')(x)

model = Model(input=image_input, output=[output1, output2])
model.compile(optimizer='adam', loss={'output1': 'mean_squared_error', 'output2': 'mean_squared_error'})

产生训练数据的生成器，这里y=[y1,y2].

batch_generator(x, y, batch_size):
 ....transform images
 ....generate batch batch of size: batch_size
 yield(X_batch, {'output1': y1, 'output2': y2} ))

之后，调用fit_generator

model.fit_generator(batch_generator(X_train, y_train, batch_size))

原问题链接。

来源：https://blog.csdn.net/u012193416/article/details/79375832