Keras：使用生成器预测并生成图像分类结果对照表

直接给你可行的解决方案，步骤如下：

1. 固定生成器顺序，保证预测与文件名对应 #

修改flow_from_directory的参数，添加shuffle=False，关闭生成器的打乱功能，这样预测结果的顺序会和生成器存储的文件名顺序完全一致：

test_generator = datagen.flow_from_directory(
    r"C:\new_data",
    target_size=(260, 180),
    batch_size=100,
    color_mode="grayscale",
    class_mode="categorical",
    shuffle=False  # 关键：关闭打乱，确保顺序匹配
)

2. 获取文件名与类别映射关系 #

生成器自带两个实用属性：

• test_generator.filenames：存储所有输入图像的路径（如果图像放在分类子目录下，格式为子目录/文件名；如果直接放在根目录，就是纯文件名）
• test_generator.class_indices：是类别名到索引的字典（比如{'coffee':0, 'car':1}），我们需要反转它得到索引到类别名的映射：

# 生成索引到类别名的映射字典
idx_to_class = {v: k for k, v in test_generator.class_indices.items()}

3. 处理预测结果，匹配文件名与类别 #

执行预测后，把概率数组转换成类别索引，再映射成对应的类别名：

# 执行预测（用生成器的batch_size即可，无需单独设置）
predicted_elements = model.predict(test_generator, verbose=1)

# 获取每个样本的预测类别索引（取概率最大值对应的索引）
predicted_indices = predicted_elements.argmax(axis=1)

# 将索引转换为类别名
predicted_classes = [idx_to_class[idx] for idx in predicted_indices]

4. 生成对照表 #

用pandas生成结构化表格，方便查看和保存：

import pandas as pd

# 创建结果DataFrame
result_df = pd.DataFrame({
    'filename': test_generator.filenames,
    'prediction': predicted_classes
})

# 查看前几行验证结果
print(result_df.head())

# 保存为CSV文件（可选，便于后续查看或处理）
result_df.to_csv('prediction_results.csv', index=False)

如果你的图像直接放在C:\new_data根目录下，test_generator.filenames就是纯文件名，完全符合你要的格式；如果图像在子目录里，可通过以下代码提取纯文件名：

import os
filenames = [os.path.basename(path) for path in test_generator.filenames]

内容的提问来源于stack exchange，提问作者mirArnold