在测试数据集上测试 h5 模型

Question

使用迁移学习进行二元分类。我使用我的数据集训练模型，该数据集已分为三个文件夹 - 训练、测试、验证。其中每一个进一步包含每个类的单独文件夹。

r = model.fit_generator(
  training_set,
  validation_data = val_set, 
  epochs=5,
  steps_per_epoch=len(training_set),
  validation_steps=len(test_set)
)

训练后，我将模型保存为 h5 文件。

import tensorflow as tf

from keras.models import load_model

model.save('vgg16_new_model.h5')

如何使用它在测试集上测试模型？

Answer 1

有一个等效于 fit_generator 的名称 evaluate_generator，当您想将测试数据集传递给经过训练的模型时，可以使用它。但是，这两个选项在最新的Tensorflow 版本中都已弃用，因此只需使用model.fit 和model.evaluate。这是一个简单的例子：

import tensorflow as tf

flowers = tf.keras.utils.get_file(
    'flower_photos',
    'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
    untar=True)

img_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255, rotation_range=20)

model = tf.keras.applications.vgg16.VGG16(include_top=False, input_shape=(256, 256, 3))
x = tf.keras.layers.Flatten()(model.layers[-1].output)
x = tf.keras.layers.Dense(1024, activation='relu')(x)
output = tf.keras.layers.Dense(5)(x)
model = tf.keras.Model(inputs=model.inputs, outputs=output)
model.summary()

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

epochs=1
model.fit(img_gen.flow_from_directory(flowers, batch_size=32, class_mode='sparse'),  epochs=epochs)
model.save('vgg16_new_model.h5')

##############################################################
new_model = tf.keras.models.load_model('vgg16_new_model.h5')
results = new_model.evaluate(img_gen.flow_from_directory(flowers, batch_size=32, class_mode='sparse'))
tf.print('Accuracy: ', results[1]*100)

Found 3670 images belonging to 5 classes.
115/115 [==============================] - 73s 629ms/step - loss: 1.6048 - accuracy: 0.2447
Accuracy:  24.468664824962616

请注意，我使用相同的子集进行训练和评估，但您会将测试集传递给 model.evaluate。