Python 代码示例：使用随机测试样本验证图像分类模型

以下是使用 Python 代码随机选择测试样本，并利用图像分类模型进行预测，并与真实标签进行对比，用于评估模型性能的示例：

for i in range(20):
    rand_num = random.randint(1,1000)
    label = np.argmax(y_test[rand_num])
    #计算one-hot
    pixels = x_test[rand_num]
    pixels = pixels.reshape((128,128,3))
    plt.title('Label is ' + str(label))
    plt.imshow(pixels,cmap='gray')
    plt.show()
    print('测试样本第{}个，预测结果是{}'.format(rand_num,classes_x[classes_y_pred[rand_num]]))
    if classes_y_pred[rand_num] != label:
        print('预测错误')

该代码示例展示了以下步骤：

使用 random.randint() 函数随机选择一个测试样本的索引 rand_num。
使用 np.argmax() 函数获取该测试样本的真实标签 label。
从 x_test 数据集中提取该测试样本的像素数据 pixels，并将其重塑为图像的形状 (128, 128, 3)。
使用 plt.imshow() 函数显示该测试样本的图像，并使用 plt.title() 函数设置标题为 Label is {label}。
使用 print() 函数输出测试样本的索引和预测结果。
使用 if 语句判断预测结果是否与真实标签一致，如果不一致则输出 预测错误。

该代码示例可以帮助您理解如何使用 Python 代码随机选择测试样本并评估图像分类模型的性能。