Python 如何在新输入上使用经过培训的模型？

我创建了一个CNN模型，可以用来区分狗和猫。在训练过程中，我的模型显示，到4/25纪元结束时，训练准确率为99%，测试准确率为81%。 这正常吗？或者，在完成所有历代计划后，是否会出现任何问题

所以我需要使用这个CNN模型来处理我的新输入，这些输入不属于我的测试集训练。如何使用我的模型预测一些新照片

我没有使用过

classifier.save（）

，所以在培训之后，我可以使用该命令保存模型吗？还是必须在最后使用

clssifier.save（）

重新编译所有内容

# Part 1 - Building the CNN

# Importing the Keras libraries and packages
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Initialising the CNN
classifier = Sequential()

# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening
classifier.add(Flatten())

# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')

classifier.fit_generator(training_set,
                         steps_per_epoch = 8000,
                         epochs = 25,
                         validation_data = test_set,
                         validation_steps = 2000)

---

该模型有一个

save

方法，该方法将模型的体系结构和训练配置导出到一个文件中，该文件可在以后提取和使用。可以找到相同的文档

导入模型后，您可以在需要的任何数据集上使用该模型。关于模型的准确性，有可能达到同样的效果。列车和测试精度之间仍然存在巨大差异，因此目前数据拟合过度。此外，尝试随机数据并使用它们进行训练，以确保这不是一个例外情况