已完成Keras训练与验证，如何测试图像并预测categorical class图像？

没问题，我来一步步帮你搞定Keras里的图像测试和结果输出——完全贴合你要的categorical分类、类别名称、准确率这些需求：

首先咱们先把训练和测试阶段的准确率搞出来，这部分很直接：

• 训练准确率：你用model.fit()训练时，返回的history对象里存着每一轮的训练指标。拿最后一轮的准确率就行：

  # 假设你训练时是这么写的
  history = model.fit(train_data, train_labels, epochs=15, validation_data=(val_data, val_labels))
  # 提取最后一轮的训练准确率
  final_train_acc = history.history['accuracy'][-1]
  print(f"训练准确率: {final_train_acc * 100:.1f} %")
  

  注意：如果你的损失函数是categorical_crossentropy，对应的指标键是accuracy；如果用了其他自定义指标，要换成对应的键名。

• 测试准确率：用model.evaluate()在独立测试集上计算，这是最靠谱的测试结果：

  test_loss, test_acc = model.evaluate(test_data, test_labels, verbose=0)
  print(f"测试准确率: {test_acc * 100:.1f} %")
  

  加verbose=0可以关闭评估时的日志输出，看起来更清爽。

这部分是核心，关键是预处理必须和训练时完全一致，不然预测结果会跑偏。假设你已经有了类别名称列表（比如class_names = ['Cat', 'Dog', 'Rabbit']，要和训练时的类别顺序完全匹配）。

1. 加载并预处理单张图像 #

比如你要预测的图像路径是test_img_path = 'my_dog_photo.jpg'，处理代码如下：

from tensorflow.keras.preprocessing import image
import numpy as np

# 加载图像并调整到模型输入的尺寸（比如你训练时用的224x224）
img = image.load_img(test_img_path, target_size=(224, 224))
# 转换成numpy数组
img_array = image.img_to_array(img)
# 增加一个维度（模型接受批量输入，形状是(批量数, 高, 宽, 通道数)）
img_array = np.expand_dims(img_array, axis=0)
# 归一化（和训练时的预处理一致，比如训练时用了rescale=1./255，这里必须同步）
img_array /= 255.

2. 执行预测并解析结果 #

# 得到预测概率，形状是(1, 类别数)，每个元素对应类别的概率
predictions = model.predict(img_array, verbose=0)
# 找到概率最大的类别索引
predicted_idx = np.argmax(predictions[0])
# 获取对应的类别名称
predicted_class = class_names[predicted_idx]
# 计算该类别的置信度百分比
confidence = predictions[0][predicted_idx] * 100

# 按照你要的格式输出
print(f"{predicted_class} : {confidence:.1f} %")

把上面的逻辑整合起来，你可以写一个复用性强的脚本：

from tensorflow.keras.preprocessing import image
import numpy as np

# 加载训练好的模型（如果之前保存了的话）
# model = tf.keras.models.load_model('my_trained_model.h5')

# 你的类别名称列表！！必须和训练时的类别顺序完全一致
class_names = ['Cat', 'Dog', 'Rabbit']

# 打印训练&测试准确率
def print_accuracies(history, test_data, test_labels):
    final_train_acc = history.history['accuracy'][-1]
    test_loss, test_acc = model.evaluate(test_data, test_labels, verbose=0)
    print(f"训练准确率: {final_train_acc * 100:.1f} %")
    print(f"测试准确率: {test_acc * 100:.1f} %")

# 单张图像预测函数
def predict_image(img_path):
    # 预处理
    img = image.load_img(img_path, target_size=(224, 224))
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array /= 255.
    
    # 预测
    predictions = model.predict(img_array, verbose=0)
    predicted_idx = np.argmax(predictions[0])
    return class_names[predicted_idx], predictions[0][predicted_idx] * 100

# 调用示例
# print_accuracies(history, test_data, test_labels)
pred_class, pred_conf = predict_image('my_test_photo.jpg')
print(f"{pred_class} : {pred_conf:.1f} %")

• 类别顺序必须严格匹配：比如你用ImageDataGenerator.flow_from_directory训练时，类别顺序是按文件夹名称字母排序的，你的class_names必须和这个顺序一致，不然预测的类别名称会错。
• 预处理完全同步：如果训练时用了其他预处理（比如色彩归一化、通道转换），预测时只需要做基础的缩放/维度调整，不需要做数据增强（增强是给训练集加多样性的，预测时用原始图像的预处理就行）。

内容的提问来源于stack exchange，提问作者karan