迁移学习二分类训练得到h5模型后如何在测试数据集上测试

1. 导入依赖并加载模型 #

首先加载你已经训练好的h5格式模型，代码如下：

from keras.models import load_model

# 加载保存的模型
model = load_model('vgg16_new_model.h5')

2. 加载测试集 #

和你训练阶段构造training_set、val_set的逻辑一致，使用ImageDataGenerator读取测试文件夹下的图像，必须保证测试集的预处理逻辑和训练阶段完全一致（比如训练时用了rescale=1./255，测试阶段也要加相同参数，输入尺寸也需要和训练时匹配，VGG16默认输入为224x224），二分类任务的构造代码示例如下：

from keras.preprocessing.image import ImageDataGenerator

# 初始化测试集数据生成器，和训练预处理保持一致
test_datagen = ImageDataGenerator(rescale=1./255) # 示例参数，替换为你训练时的预处理参数

test_set = test_datagen.flow_from_directory(
    '你的测试集文件夹路径/test', # 替换为你的test文件夹实际路径
    target_size=(224, 224), # 和训练时的输入尺寸一致
    batch_size=32, # 和训练时的batch size可不同，不影响结果
    class_mode='binary', # 二分类固定为binary
    shuffle=False # 测试阶段不需要打乱顺序，方便对应样本和预测结果
)

3. 模型评估 #

直接调用模型的evaluate方法即可得到测试集上的损失值和准确率：

test_loss, test_acc = model.evaluate(test_set, steps=len(test_set))
print(f"测试集损失：{test_loss:.4f}")
print(f"测试集准确率：{test_acc:.4f}")

可选：获取单样本预测结果 #

如果需要得到每个测试样本的预测标签、计算混淆矩阵、召回率等更细粒度的指标，可以用predict方法：

import numpy as np

# 得到所有测试样本的预测概率
predictions = model.predict(test_set, steps=len(test_set))
# 二分类阈值设为0.5，转换为预测标签
pred_labels = [1 if x > 0.5 else 0 for x in predictions]
# 读取测试集的真实标签
true_labels = test_set.classes

# 接下来可以自定义计算各类指标，比如混淆矩阵
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(true_labels, pred_labels)
print("混淆矩阵：")
print(cm)

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