如何向已训练的TensorFlow模型传入自定义输入并查看输出？

训练完成后直接调用模型的predict()方法即可完成推理，需要注意输入数据的形状必须和模型训练时要求的输入维度匹配，你当前的模型输入要求每个样本包含3个特征，输入张量的形状需要满足(批次大小, 3)的格式，哪怕只预测单个样本也不能直接传入一维列表。

具体操作代码可以直接追加在你现有训练代码的末尾：

import numpy as np

# 自定义单样本输入
single_sample = [100, 2, 4]
# 转换为numpy数组并调整形状为(1, 3)，对应1个样本、每个样本3个特征
input_data = np.array(single_sample).reshape(1, -1)

# 执行预测，verbose=0用于关闭预测过程的日志打印
pred_result = model.predict(input_data, verbose=0)

# 输出结果
print(f"输入{single_sample}的sigmoid预测概率：{pred_result[0][0]:.4f}")
# 二分类场景下取0.5为阈值，输出最终分类结果
pred_label = 1 if pred_result[0][0] >= 0.5 else 0
print(f"阈值0.5下的分类结果：{pred_label}")

批量预测多个自定义样本 #

如果需要一次性推理多个样本，直接把多个样本组成二维列表传入即可，不需要额外修改逻辑：

# 多个自定义样本，每个样本3个特征
batch_samples = [
    [100, 2, 4],
    [5, 30, 22],
    [1, 0, 49]
]
batch_input = np.array(batch_samples)
batch_pred = model.predict(batch_input, verbose=0)
# 打印每个样本的结果
for sample, pred in zip(batch_samples, batch_pred):
    print(f"输入{sample}，预测概率{pred[0]:.4f}，分类{1 if pred[0]>=0.5 else 0}")

注意事项 #

• 禁止直接传入一维列表如[100,2,4]调用predict，会触发维度不匹配报错，必须保证输入最后一维的长度和模型定义的input_shape一致（当前模型为3）
• 你当前训练集的特征取值范围是0-50，传入远超出这个范围的数值（比如示例里的100）时，预测结果的可信度会大幅降低，属于正常的分布偏移问题，不是代码错误
• 预测时如果不需要看进度条日志，加上verbose=0参数即可关闭输出

内容的提问来源于stack exchange，提问作者user17098578