Python 如何使用Keras中保存的模型来预测和分类图像？

我用Keras训练了一个模型手位置分类器，最后用代码保存了模型（model.save（'model.h5'）） 现在我要用这个模型预测一幅图像，它可行吗？如果是，你能给我举几个例子吗？

---

PS：我的数据作为CSV文件提供

首先，您必须使用

load\u model

功能导入保存的模型

from keras.models import load_model
model = load_model('model.h5')

在预测新给定输入的结果之前，必须调用

compile

方法

classifier.compile(loss='your_loss', optimizer='your_optimizer', metrics=['your_metrics'])

编译之后，您就可以处理新图像了

from keras.preprocessing import image

test_image= image.load_img(picturePath, target_size = (img_width, img_height)) 
test_image = image.img_to_array(test_image)
test_image = numpy.expand_dims(test_image, axis = 0)
test_image = test_image.reshape(img_width, img_height)
result = model.predict(test_image)   

---

当我运行@Mihai Alexandru Ionut发布的代码时

#我们图像的尺寸
img_宽度，img_高度=313220
#加载我们保存的模型
模型=负荷\模型（'hmodel.h5'）
sgd=optimizers.sgd（lr=0.01，衰减=1e-6，动量=0.9，nesterov=True）
compile（loss='classifical_crossentropy'，optimizer=sgd，metrics=['accurity'，'mse']）
test_image=image.load_img（'/Images/1.jpg'，target_size=（img_宽度，img_高度））
test_image=image.img_到_数组（test_image）
测试图像=np。展开图像（测试图像，轴=0）
result=model.predict（test_image）

这里我提供了一个将tensorflow.keras模型保存到当前目录下的

model_path

文件夹的示例。这在最新的tensorflow（TF2.0.0rc2）中运行良好。如果在不久的将来有任何更改，我将更新此说明。按照下面的示例代码，更改数据加载、形状等

保存和加载整个模型

model.save

方法保存所有内容：

• 权重值
• 模型的体系结构
• 优化器配置
• 培训配置（传递给编译的内容）

---

当

model.save

保存培训配置时，我们不需要在使用

keras.models.load\u model

还原后编译模型。首先感谢您的回复，在我的模型输入中，我应该调整图像大小吗？当我运行代码时，我得到以下错误：python2.7/site-packages/keras/preprocessing/image.py“，第360行，在加载模式中”（“无法导入PIL.Image.”导入错误：无法导入PIL.Image。使用

array\u to\u img

需要PIL。而且PIL已经安装。您有什么建议吗？@Jennifer95，array\u to\u img是

keras的一种方法。预处理
是@Mihai，我已经通过安装“枕头”修复了错误^^^@Jennifer95，为了帮助其他人，请接受答案。你可以使用
重塑
方法。看看我更新的答案。我添加了一段代码“test_image=test_image.reformate（img_width，img_height）”，现在得到这个错误值错误：无法将大小为206580的数组重塑为形状（313220）PS 206580=3*313*220我试着运行代码“x=scipy.misc.imread（'/Images/1.jpg'）.shape”的图片，我得到了这个结果（313220,3）。你有什么建议吗？试试这个：
test\u image=test\u image.reshave（img\u宽度，img\u高度，3）
我尝试了它，但出现了以下错误：ValueError:检查时出错：预期密集\u 1\u输入为二维，但得到了具有形状的数组（313、220、3）
import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist

#import data
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# create a model
def create_model():
  model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation=tf.nn.relu),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation=tf.nn.softmax)
    ])
# compile the model
  model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
  return model

# Create a basic model instance
model=create_model()

model.fit(x_train, y_train, epochs=1)
loss, acc = model.evaluate(x_test, y_test,verbose=1)
print("Original model, accuracy: {:5.2f}%".format(100*acc))

# Save entire model to a HDF5 file
model.save('./model_path/my_model.h5')

# Recreate the exact same model, including weights and optimizer.
new_model = keras.models.load_model('./model_path/my_model.h5')
loss, acc = new_model.evaluate(x_test, y_test)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))