在Keras中如何从已保存的.h5模型获取class_indices或预测标签

嘿，这个问题其实很多人在部署Keras模型的时候都会碰到——我来给你理清楚：

首先得明确说：默认情况下，Keras保存的.h5模型文件里是不会包含class_indices这类类标签映射的。因为模型文件本身只负责存储权重、网络架构和训练相关的配置（比如优化器的状态），而class_indices是数据生成器（也就是flow_from_directory()）在处理数据集时生成的元数据，不属于模型核心逻辑的一部分，所以不会被自动存进去。

不过别担心，有几个靠谱的解决方案：

• 最稳妥的方案：训练时同步保存类标签
  这是我最推荐的做法，麻烦一次，后面部署省很多事。当你用flow_from_directory()生成训练数据时，直接把生成器的class_indices存成一个单独的JSON或者pickle文件：

  import json
  
  # 假设train_generator是你训练时用的数据生成器
  class_labels = train_generator.class_indices
  
  # 把类标签映射保存到json文件，和模型文件放一起
  with open('class_labels.json', 'w') as f:
      json.dump(class_labels, f)
  

  等部署的时候，只需要加载这个小文件就能拿到类名和索引的对应关系了，还可以反转字典方便预测后查类名：

  with open('class_labels.json', 'r') as f:
      class_labels = json.load(f)
  # 索引转类名的映射，预测结果出来后直接用
  idx_to_class = {v: k for k, v in class_labels.items()}
  

• 退而求其次：从输出层或数据集反向推导
  如果之前没保存类标签，那可以试试这招：

  1. 如果你能访问到训练时用的数据集目录，完全可以重新跑一次flow_from_directory()（不需要训练，只是生成数据生成器），就能拿到class_indices：

     from tensorflow.keras.preprocessing.image import ImageDataGenerator
     
     # 用训练数据集目录生成一个临时生成器，batch_size设1就行，不用占资源
     dummy_gen = ImageDataGenerator(rescale=1./255).flow_from_directory(
         'path/to/your/training_data',
         target_size=(224, 224), # 和训练时一致
         batch_size=1,
         class_mode='categorical',
         shuffle=False
     )
     class_labels = dummy_gen.class_indices
     

  2. 要是没法访问数据集，那只能从模型输出层知道类别的数量（输出层神经元数=类别数），但没法直接拿到类名——这种情况就只能回忆或者查训练时的数据集结构了，毕竟类名是从数据集目录来的。

• 进阶玩法：用SavedModel格式保存模型+元数据
  如果你不想分开保存模型和类标签，可以改用TensorFlow的SavedModel格式（而不是.h5）来保存模型。SavedModel支持在assets目录里添加自定义的元数据文件（比如刚才的JSON），部署的时候可以一起加载，这样模型和类标签就绑定在一起了，管理起来更方便。

总结一下：虽然.h5模型本身不带类标签，但只要训练时提前保存好元数据，或者能反向从数据集推导，就能轻松解决部署时的类标签问题。

内容的提问来源于stack exchange，提问作者Ryan Chase