模型经过训练测试之后，我们往往用一两张图对模型预测结果进行分析讨论，那么下面介绍在keras中用已训练的模型经过测试的方法。
下面是以利用预训练的ResNet来展示预测的效果，选了一张狗的图片，是来自一个kaggle比赛的。
预测结果第一个是一种苏格兰品种的狗，我也不知道准不准 == 。
import numpy as np
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing import image
from keras.applications import *
import os
# 忽略硬件加速的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
file_path = 'images/0a70f64352edfef4c82c22015f0e3a20.jpg'
img = image.load_img(file_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
model = ResNet50(weights='imagenet')
y = model.predict(x)
# print(np.argmax(y))
print('Predicted:', decode_predictions(y, top=3)[0])
讲几点：
1.输入img转成numpy数组，shape处理成（224,224,3）一般来讲，对于预训练模型是有一个最小的尺寸值，比最小尺寸大就可以了。在ResNet中，尺寸最小大于等于197即可。
2.要对输入shape扩维变成（None，224,224,3），第一个None是batches，模型并不知道你输入的batches是多少，但是维度必须和ResNet的输入要一致。
3.虽然用的是ResNet，自己设计的模型也一个道理，保留一下训练的权重，把model模块和预测模块分开写，这个时候load一下权重，再预测即可。
补充知识：keras：怎样使用 fit_generator 来训练多个不同类型的输出
这个例子非常简单明了，模型由1个输入，2个输出，两个输出的分支分别使用MSE作为损失。
x = Convolution2D(8, 5, 5, subsample=(1, 1))(image_input)
x = Activation('relu')(x)
x = Flatten()(x)
x = Dense(50, W_regularizer=l2(0.0001))(x)
x = Activation('relu')(x)
output1 = Dense(1, activation='linear', name='output1')(x)
output2 = Dense(1, activation='linear', name='output2')(x)
model = Model(input=image_input, output=[output1, output2])
model.compile(optimizer='adam', loss={'output1': 'mean_squared_error', 'output2': 'mean_squared_error'})
产生训练数据的生成器，这里y=[y1,y2].
batch_generator(x, y, batch_size):
....transform images
....generate batch batch of size: batch_size
yield(X_batch, {'output1': y1, 'output2': y2} ))
之后，调用fit_generator
model.fit_generator(batch_generator(X_train, y_train, batch_size))
原问题链接。
以上这篇在keras中对单一输入图像进行预测并返回预测结果操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
