TensorFlow中CNN模型预测类别与训练数据集文件夹的对应关系及排序规则咨询

刚好碰到过类似的场景，我来给你梳理清楚这两个核心问题：

1. 快速获取类别编号与文件夹名称的对应关系 #

当你用tf.keras.preprocessing.image_dataset_from_directory设置labels='inferred'时，生成的数据集对象（比如你的ds_train）自带一个class_names属性——这个列表的索引就是模型预测输出的类别编号，列表里的对应值就是数据集里的文件夹名称。

举个实际操作的例子，你只需要加几行代码就能得到映射：

# 打印完整的类别列表，索引对应预测的编号
print("类别编号与文件夹对应：")
for idx, name in enumerate(ds_train.class_names):
    print(f"编号 {idx} → 文件夹 {name}")

# 或者直接生成字典，方便快速查询
class_id_to_folder = {i: folder for i, folder in enumerate(ds_train.class_names)}
# 查询你预测的编号25对应的文件夹
print(f"预测编号25对应的文件夹是：{class_id_to_folder[25]}")

2. TensorFlow的文件夹排序规则 #

TensorFlow对文件夹的排序逻辑很明确：按照文件夹名称的字典序（lexicographical order）排列，这和Python内置的sorted()函数对字符串列表的排序规则完全一致。

举几个常见场景的例子：

• 如果文件夹是数字命名的字符串（比如"0", "1", ..., "9", "10"），字典序会把"10"排在"2"前面，因为字符串比较是逐字符进行的，"1"的ASCII码比"2"小；
• 如果文件夹是英文名称（比如"cat", "dog", "apple"），会按字母顺序排列，"apple"会排在最前面；
• 中文名称的话，会按照Unicode编码的顺序来排序。

需要注意的是：如果你后续调整了数据集的文件夹，或者重新生成数据集，只要文件夹名称不变，这个排序和映射关系就不会变；如果修改了文件夹名称，记得重新查看class_names来更新映射。

内容的提问来源于stack exchange，提问作者Rukiits