【详解】keras + predict_generator + ImageDataGenerator.flow_from_ditectory 进行预测

本文主要讲述在利用keras进行预测分类（不是训练）时，从文件夹中直接读取图片（直接利用flow_from_direction），并经过 ImageDataGenerator进行增强。
可以讲，这里面的坑有点多，而且很微小。
先说说有哪些坑：

1. 注意测试的文件夹名称及结构，否则程序将读取不到图片；
2. 设置好flow_from_directory的batch_size，否则预测的结果与图片不对应；
3. 如何在预测之后与文件名对应起来
4. 如果同时使用预测和评估（分别是predict_generator和evaluate_generator），一定要使用reset()来初始化一下predict_generator 和evaluate_generator对象；注意一些predict_generator和evaluate_genator是不一样的。

以下分别说明：
文件夹名称
如果你已经到了这一步，应该是已经训练过了。你可以看一下你训练时候的名字，这应该是一个包含文件夹的文件夹，这个文件夹下包含你的类，每一个类是一个文件夹，类文件夹下才是图像。
这里虽然是预测，但是也是同样的文件夹结构。也就是说这是一个二级文件夹，文件夹A-子文件夹-图片，这样的结构，文件夹A才是我们输入的名字：

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory('/predict', target_size=(height, width),
batch_size=1,class_mode='categorical', shuffle=False,)

可以看我的文件夹结构

batch_size的设置

如果不知道怎么设置，就请设置为1，如上面我的代码。虽然可能变慢，但保证不会出错。
如果设置不合适，生成器就会重新采样（而采样是随机的），这样会使得名字和对应的预测结果不对应。

val_generator.reset()
pred = model.predict_generator(val_generator, verbose=1)

预测之后文件名与预测结果对应起来

这里我们需要明白两个东西。
第一个是我们建立了训练生成器时，可以调用这个对象查看代码里标签与我们的文件名有什么关系。
可以通过class.indices来看。

train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=40, fill_mode='wrap')
train_generator = train_datagen.flow_from_directory('new_images', target_size=(height, width), batch_size=96)
labels = (train_generator.class_indices)

第二，在预测之后我们可以通过对象来看文件名

filenames = test_generator.filenames

最后，我们将上述东西给结合起来：

导入你的模型
导入你的参数

train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=40, fill_mode='wrap')
train_generator = train_datagen.flow_from_directory('new_images', target_size=(height, width), batch_size=96)

val_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory('AgriculturalDisease_validationset/predict', target_size=(height, width),batch_size=1,class_mode='categorical', shuffle=False,)

test_generator.reset()
pred = model.predict_generator(test_generator, verbose=1)

predicted_class_indices = np.argmax(pred, axis=1)
labels = (train_generator.class_indices)
label = dict((v,k) for k,v in labels.items())

# 建立代码标签与真实标签的关系
predictions = [label[i] for i in predicted_class_indices]

#建立预测结果和文件名之间的关系
filenames = test_generator.filenames
for idx in range(len(filenames )):
    print('predict  %d' % (int(predictions[idx])))
    print('title    %s' % filenames[idx])
    print('')

predict_generator和evaluate_generator预测与评估

预测，是指我们给出图片，然后程序预测图片是哪一类。不需要ground truth。
预测函数返回的结果就是概率值。
评估，是评估模型好不好，性能怎样，因此是需要标签的。
评估函数，返回的是你模型定义时候的评价指标，如损失和正确率，以loss, acc来表示。
而且使用预测函数，文件夹没有什么特殊要求，只需要满足本文第一个要求即可。
但是使用评估函数，我们需要文件夹下要有与训练时一样的文件夹数量。否则会报错

图中，我训练数据有61类，但是我的评估文件夹只有两类，所以会报错。

另外，我们需要注意到，如果我们同时使用了两个生成器，我们就需要对生成器进行reset，否则文件名等会乱七八糟。

test_generator.reset()
pred = model.predict_generator(test_generator, verbose=1)

英文参考

为何要点赞？

如果本文解决了你的困惑，不妨点个赞鼓励一下。
不管你信不信，也不管你同不同意，实际上，你的每一次点赞都标志着你自身的进步。而打赏乃是点赞的高级形式
曾经有无数个点赞的机会，但是我都没有好好珍惜，假如时光可以倒流，我一定为他们也为自己点赞。