求助：如何基于Keras和TensorFlow加载已保存模型并实现预测

嗨，我来给你一步步讲清楚怎么操作哈！首先得提醒你，训练的时候除了保存模型，一定要把训练时用的Tokenizer也保存下来，不然预测时文本预处理的规则和训练时不一致，结果肯定不准。

第一步：训练阶段先保存Tokenizer和模型 #

你之前训练完模型后，除了用代码保存模型，还要把Tokenizer存成文件，这样预测时能直接复用训练时的文本编码规则：

import pickle
from tensorflow.keras.models import load_model

# 训练完Tokenizer之后立刻保存它
with open('tokenizer.pickle', 'wb') as handle:
    pickle.dump(tokenize, handle, protocol=pickle.HIGHEST_PROTOCOL)

# 同时保存训练好的完整模型
model.save('stackoverflow_text_model.h5')

第二步：创建预测脚本，加载模型和Tokenizer #

新建一个比如predict_post_tag.py的文件，先把之前保存的模型和Tokenizer加载进来：

from tensorflow.keras.models import load_model
import pickle
from tensorflow.keras.preprocessing import text

# 加载训练好的Keras模型
model = load_model('stackoverflow_text_model.h5')

# 加载保存的Tokenizer，保证文本编码规则和训练时一致
with open('tokenizer.pickle', 'rb') as handle:
    tokenize = pickle.load(handle)

第三步：预处理待预测的文本 #

你要预测的文本（比如你例子里的"angular expression in ng-re..."）需要和训练时的预处理步骤完全同步：

# 待预测的Stack Overflow帖子文本
txt = "angular expression in ng-repeat not working as expected"

# 用Tokenizer把文本转换成模型能识别的序列
txt_sequence = tokenize.texts_to_sequences([txt])

# 对序列做padding（这里的max_len必须和你训练时设置的完全一样，别改数值）
from tensorflow.keras.preprocessing.sequence import pad_sequences
max_len = 200  # 替换成你训练时实际设置的最大序列长度
txt_padded = pad_sequences(txt_sequence, maxlen=max_len)

第四步：执行预测并解析结果 #

现在就可以用加载好的模型做预测，然后把模型输出的概率转换成你能看懂的标签：

# 运行预测，得到每个分类标签的概率分布
predictions = model.predict(txt_padded)

# 这里替换成你训练时实际用的分类标签列表，比如Stack Overflow的技术标签
labels = ['angular', 'python', 'javascript', 'java', 'react']

# 找到概率最高的标签
predicted_label = labels[predictions.argmax(axis=1)[0]]

print(f"这个帖子预测的标签是：{predicted_label}")
print(f"各标签的预测概率：{dict(zip(labels, predictions[0]))}")

关键注意事项 #

• 所有预处理参数（max_words、max_len、是否做小写转换等）必须和训练阶段完全一致，不然模型会报错或者输出错误结果。
• 如果训练时对文本做了额外处理（比如去除特殊字符、停用词），预测时也要对输入文本执行同样的操作。

内容的提问来源于stack exchange，提问作者user9550188