TensorFlow初学者：如何用CIFAR10教程代码实现自定义图片分类？

嘿，别慌！作为TensorFlow纯新手，想用CIFAR10教程里的代码给自己的图片分类，其实跟着下面的步骤一步步来，完全能搞定～

首先得确保你的环境能正常运行TensorFlow的CIFAR10模型，这是基础：

• 先安装好TensorFlow：在命令行里输入 pip install tensorflow 完成安装
• 找到官方CIFAR10的基础教程代码（直接在TensorFlow的官方文档里搜“CIFAR10”就能找到），把代码复制到Python脚本里，先运行训练部分。等训练完成后，记得用 model.save("cifar10_model.h5") 把训练好的模型保存下来——这是你后续分类自己图片的核心工具。

CIFAR10模型是针对32×32像素的RGB图片训练的，所以你的图片必须转换成这个格式：

• 单张图片处理示例（用PIL库，先安装：pip install pillow）：

from PIL import Image
import numpy as np

# 替换成你的图片路径
img_path = "my_photo.jpg"
# 加载图片并转成RGB格式（如果是灰度图也能转成3通道）
img = Image.open(img_path).convert("RGB")
# 缩放到模型要求的32×32
img = img.resize((32, 32))
# 转成numpy数组，并且归一化（和CIFAR10训练数据的预处理一致）
img_array = np.array(img) / 255.0
# 给数组加一个维度——模型接受的是「批量」输入，哪怕只有1张图也要符合格式（形状变成(1, 32, 32, 3)）
img_array = np.expand_dims(img_array, axis=0)

特别注意：归一化（除以255）这一步绝对不能少，不然模型预测结果会完全不准！

有了预处理好的图片，就可以让模型干活了：

import tensorflow as tf

# 加载你之前保存的模型
model = tf.keras.models.load_model("cifar10_model.h5")

# 运行预测
predictions = model.predict(img_array)
# 找到概率最高的类别索引
predicted_idx = np.argmax(predictions[0])
# CIFAR10的类别对应表，直接用这个就行
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
# 输出结果
print(f"这张图片预测是：{class_names[predicted_idx]}，置信度：{predictions[0][predicted_idx]:.2f}")

如果有一堆图片要分类，用循环批量处理就行：

import os

# 替换成你的图片文件夹路径
image_folder = "my_images/"
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

# 遍历文件夹里的所有图片
for filename in os.listdir(image_folder):
    # 只处理图片格式的文件
    if filename.lower().endswith((".jpg", ".png", ".jpeg")):
        img_path = os.path.join(image_folder, filename)
        # 重复单张图片的预处理步骤
        img = Image.open(img_path).convert("RGB")
        img = img.resize((32, 32))
        img_array = np.array(img) / 255.0
        img_array = np.expand_dims(img_array, axis=0)
        
        # 预测时关闭冗余输出（verbose=0）
        predictions = model.predict(img_array, verbose=0)
        predicted_idx = np.argmax(predictions[0])
        # 打印每张图的结果
        print(f"图片 {filename}：{class_names[predicted_idx]}（置信度：{predictions[0][predicted_idx]:.2f}）")

• 图片路径一定要写对！如果报“找不到文件”的错误，先检查路径是不是绝对路径，或者文件夹/文件名有没有打错
• 如果你的图片是PNG格式（带透明通道），convert("RGB") 会自动去掉透明层，不用额外处理
• 如果训练模型时用了其他预处理方式（比如标准化到[-1,1]），那你的图片也要做同样的操作，不然预测会出错

内容的提问来源于stack exchange，提问作者Mitchell T. Diedrich