如何利用predict/predict_generator对测试数据进行预测?

采用预训练+微调的形式处理文件夹图像数据，常常使用ImageDataGenerator与flow_from_directory函数实现对文件夹内数据的增广扩充，用fit_generator函数训练扩充的数据（参考前述博客：https://blog.csdn.net/zhenyu_an/article/details/88621702）。那在训练后，如何预测单个图像的类别呢？有两种情况：

（1）一般而言，如果是对测试集中数据，假如测试数据生成为

// An highlighted block
validation_generator = test_datagen.flow_from_directory(
	        validation_data_dir,
	        target_size=(img_height, img_width),
	        batch_size=batch_size,
	        class_mode='categorical')

那么，可以直接用predict_ generator函数处理测试图像，因此，如果我们在test_datagen中不打乱顺序的话（shuffle=Flase），则给出的预测结果与文件顺序是一致的。当然，即便打乱顺序，也是可以知道真实类别值的。

Labels=validation_generator.class_indices函数可以给出当前类别的真实值，Filenames = validation_generator.filenames给出对象的文件名。在以上知道文件名和类别真实值之后，直接使用predict_generator可以预测，并比较结果。

// An highlighted block
Pred = model.predict_generator(validation_generator, verbose=1)

（2）第二种情况，如果我们的预测对象是单个图像，无法通过generator函数生成，则需要通过直接读入图像，进行归一化（仅针对我的github中处理MSTAR数据代码）后，在利用训练好的模型通过predict函数直接预测。以https://github.com/azy1988/ML-CV/tree/master/MSTAR_ATR中sar_recog.py文件里面的模型为例，我们给出一个训练好的model2如何对单个图像进行识别，直接给出代码如下：

// 预测单个图片类别
from PIL import Image
import cv2
image = Image.open('C:\\Users\\Lenovo\\Desktop\\test\\2S1.jpg')

test = cv2.resize(np.array(image),(200,200))
test = test.astype('float32')
test = np.reshape(test,(1,200,200))
r = test;
g = test;
b = test;
rgb = np.vstack((r,g,b))
rgb = rgb/255.0
predict = model2.predict(rgb)
predict=np.argmax(predict,axis=1)
print(predict)

介绍下写这段代码时我碰到的一个小坑。
现象及原因：
由于在原始sar_recog.py中，我指定了采用theano作为keras后端（py文件的第23行），导致我的模型输入需要是shape=(3,img_width, img_height)的形式。而MSTAR图像均为单通道灰度图像，因此需要将单通道转换为RGB三通道。常规思路是采用cv2库中的cvtColor进行转换，然后再numpy中进行维度变换即可。

// 灰度转换为RGB
img_rgb = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2RGB) 

悲剧在这时发生了，RGB图像在python中是以（img_width, img_height, 3）的维度形式存放，不满足模型输入，因此只能转化为numpy数组，再reshape。但显然，这种reshape方式，已经不能保证每个通道中图片的完整性了，也就是说，直接reshape，打散了图片的行列格式。这时，无论模型在fit_generator还是predict_generator都可以达到很好效果，但在单个图片直接读入python预测时，都会出错。

解决方法：
解决方法很简单，就是不使用reshape函数，而是将每个通道都分别赋值给r g b，再利用vstack进行重组，这样才保证了图像的结构不被打散，结果就正确了。