如何在Keras中使用已保存的H5模型进行预测？

没问题！既然你已经用save()把Keras模型存成H5格式了，用它做预测其实很简单，我结合你给出的模型结构（输入形状是(64, 64, 3)）给你一步步拆解：

首先你需要用load_model工具导入已保存的模型，记得导入对应的模块：

from keras.models import load_model

# 替换成你实际的模型文件名
classifier = load_model('你的模型文件.h5')

模型的输入必须和训练时的输入规格完全匹配，所以你需要对单张待预测图像做以下处理：

from keras.preprocessing import image
import numpy as np

# 1. 加载图像并调整到模型要求的尺寸（64x64）
test_image = image.load_img('你的待预测图片路径.jpg', target_size=(64, 64))
# 2. 把图像转换成numpy数组格式
test_image = image.img_to_array(test_image)
# 3. 扩展维度：模型默认接受批量输入，单张图要变成(1, 64, 64, 3)的形状
test_image = np.expand_dims(test_image, axis=0)
# 4. 归一化（和训练时的预处理一致！比如训练时如果用了rescale=1./255，这里必须同步）
test_image = test_image / 255.0

根据你的分类任务类型（二分类/多分类），解析预测结果的方式略有不同：

二分类场景（比如猫/狗识别） #

如果是二分类任务，predict()会返回一个0-1之间的概率值，你可以设定阈值（通常是0.5）来判断类别：

result = classifier.predict(test_image)
# 假设你训练时的标签映射是：猫=0，狗=1
if result[0][0] > 0.5:
    prediction = "狗"
else:
    prediction = "猫"
print(f"预测结果：{prediction}")

多分类场景（比如多种物体识别） #

如果是多分类任务，predict()会返回每个类别的概率值，你需要找到概率最高的类别：

result = classifier.predict(test_image)
# 替换成你自己的类别标签列表，顺序要和训练时的类别顺序一致
class_labels = ["类别A", "类别B", "类别C"]
# 找到概率最大的类别索引
predicted_idx = np.argmax(result[0])
prediction = class_labels[predicted_idx]
print(f"预测结果：{prediction}，对应概率：{result[0][predicted_idx]:.2f}")

重要注意事项 #

• 预处理步骤必须和训练时完全对齐：比如训练时如果做了特定的图像增强（除了随机增强）、归一化方式，预测时必须完全一致，否则会影响准确率。
• 如果需要批量预测多张图片，可以用ImageDataGenerator的flow_from_directory配合predict_generator方法，效率会更高。

内容的提问来源于stack exchange，提问作者Arjun