为什么我要写这篇博客呢？因为我刚开始学习深度学习的时候，什么都不懂，网上好多代码调用一次模型都是预测一张图片。然后我对一个文件夹的图片进行预测，调用了一个文件夹图片数量次模型！我太傻了。。。

训练模型部分我就不说了，下面介绍模型预测部分：（代码环境是tensorflow2.0）

  • 读入图片的路径信息、名字列表
#读入所有图片的路径
test_image_path = glob.glob('图片文件夹目录/*.jpg')
#根据图片的名字进行排序（因为我的图片是0.jpg，1.jpg，2.jpg，..全是数字命名的，就按数字大小进行排#序）
test_image_path.sort(key=lambda x:int(x.split('\\')[-1].split('.')[0]))

#使用tensorflow的Dataset改造test_image_path
data_test = tf.data.Dataset.from_tensor_slices(test_image_path)
#图片名字列表（不包含.jpg）
img_name = [int(x.split('\\')[-1].split('.')[0]) for x in test_image_path]
  • 定义一个对图片进行预处理的函数
def load_preprocess_image(path):
    image = tf.io.read_file(path)
    image = tf.image.decode_jpeg(image,channels=3)
    image = tf.image.resize(image,[256,256])
    image = tf.cast(image,tf.float32)
    image = image/255
    return image
  • 调用函数对图片进行预处理，并给data_test设置batch
#给data_test应用该函数（之前data_test里边是图片路径，应用函数后就会成为图片）
data_test = data_test.map(load_preprocess_image)
#设置batch
data_test = data_test.batch(32)
  • 最重要的一环，开始预测 
predictions = model.predict(data_test)

我的代码是用xception进行迁移学习，对猫狗进行分类，属于二分类问题，最后在Dense层用的是softmax激活函数，所以predictions是一个0-1的概率值（也就是若大于0.5则是表示猫，小于0.5表示狗） 。因此下边是用列表推导式进行最后的处理：

preds = [1 if x>0.5 else 0 for x in predictions]
  • 存文件
import pandas as pd
data = pd.DataFrame(preds,index=img_name,columns=['result'])

完整代码使用jupyter notebook编写，

代码链接：链接：https://pan.baidu.com/s/1vKV27Nuf0PEMTqnadmla4w
提取码：pfmu