在Python中，使用CNN（卷积神经网络）训练完模型后，可以通过以下步骤进行预测：,1、导入所需库,2、加载预训练模型,3、预处理输入数据,4、将输入数据传入模型进行预测,5、解析预测结果,下面是详细的步骤和代码示例：,1. 导入所需库,2. 加载预训练模型,3. 预处理输入数据,4. 将输入数据传入模型进行预测,5. 解析预测结果,注意：以上代码示例假设你已经有一个训练好的CNN模型（your_model.h5），并且要预测的图片（your_image.jpg）已经准备好，你需要根据实际情况修改这些文件路径。,,import numpy as np from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing import image,model = load_model(‘your_model.h5’) # 请替换为你的模型文件路径,img_path = ‘your_image.jpg’ # 请替换为你要预测的图片路径 img = image.load_img(img_path, target_size=(224, 224)) # 调整图片大小以匹配模型的输入尺寸 x = image.img_to_array(img) # 将图片转换为数组 x = np.expand_dims(x, axis=0) # 增加一个维度以匹配模型的输入形状 x = x / 255.0 # 归一化像素值到[0, 1]范围,predictions = model.predict(x) # 获取预测结果,根据模型的输出层结构，解析预测结果 如果模型有10个输出类别，可以使用以下代码： predicted_class = np.argmax(predictions[0]) print(“预测类别：”, predicted_class)
原创文章，作者：admin，如若转载，请注明出处：https://www.vaicdn.com/news/73770.html
