13）卷积网络预测新样本； keras:deeplizard；

开始搞

注意：这里还是需要 之前训练的模型，所以，上一篇 文章 所做的事情，咱还得做一遍

做好前面 的 重复工作之后，写今天的代码吧

现在 开始 写 13 课 的代码

我就直接 上 代码了

## tt1 : 准备好 数据呀
test_imgs, test_labels = next(test_batches)

## tt2 ： 看一看咱们 准备好的数据 是啥样
plotImages(test_imgs)
print(test_labels)

## tt3 ： 就开始 预测吧

predictions = model.predict(x=test_batches, steps=len(test_batches), verbose=0)


## tt4 ： 看看 本源 的 predictions

print(predictions)

## tt5: 看看 round 之后的 predictions
np.round(predictions)

## tt6 : 肉眼看准确率可不行，咱们用 混淆矩阵
cm = confusion_matrix(y_true=test_batches.classes, y_pred=np.argmax(predictions, axis=-1))

## tt7： 这里 的 test_batches.classes 长什么样呢？
test_batches.classes

## tt8: 本来我们的输出是一个二元组（这叫做one-hot encode)，表示某个类别的可能性，现在我们希望 给出 最终答案，所以：
np.argmax(predictions, axis=-1)
print(predections) # 结果证明 np.argmax 不会修改原数组 predictions

## tt9: 从 sklearn 里面 直接拿来的 画图的 函数
def plot_confusion_matrix(cm, classes,
                          normalize=False,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    print(cm)

    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, cm[i, j],
            horizontalalignment="center",
            color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

## tt10: 咱得知道类别
test_batches.class_indices

## tt11: 还等啥，最后一波拿高地，二营长，你他娘的 matplot 呢？ 给劳资画！
cm_plot_labels = ['cat','dog']
plot_confusion_matrix(cm=cm, classes=cm_plot_labels, title='Confusion Matrix')

下面 是每个 ttx 的 运行截图，方便以后自己看

tt2 一批测试数据 10个人，长得真帅

tt3 没有输出

因为 verbose = 0

tt4 看看 本源 的 predictions

备注： 这里输出 正好 100 行

tt5: 看看 round 之后的 predictions

tt7： 这里 的 test_batches.classes 长什么样呢？

tt8: 给出类别

运行错误了一次

重新跑 上面 的 红色 按钮 部分，得到 np.argmax() 的返回：

tt10, 知道 class

tt11: 最后画 混淆矩阵 图片

可见 ，我们的模型，效果不好，我们会在下一节课 ，使用 pre-train 的模型
也就是i人家 弄好的模型，进行 fune-tuning, 也就 微型地调整一下人家，可能 ，这就是 学长们 说的 「炼丹」 吧。

再刻意练习一下： 保存模型

colab 的 平穷用户如我，一会不动，其中的 环境 就被 google 给清理了，然后才有 本文开头的这出：

做前一些课程里面的 重复 工作： 下载数据，训练模型

---

为了偷懒，我学着 保存模型，用以 未来的 复现和 装逼

如下搞：

做任何代码运行 之前 的 目录：

跑这个代码：

import os.path
if os.path.isfile('models/c10cnn_model.h5') is False:
	model.save('models/c10cnn_model.h5')

之前确认一下 自己 在哪，在哪个 工作目录：

确保 在 /content
搞好后：

你就留下了 遗产 ，赶紧保存到本地；

参考

视频

文章