Python 代码解析：随机选取测试样本进行分类预测

该代码演示了如何使用 Python 随机选取测试样本进行分类预测，并显示其对应的标签和图片。

for i in range(20):
    rand_num = random.randint(1,1000)
    label = np.where(y_test[rand_num])[0][0]
    #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[rand_num]))
    if classes_x[rand_num] != label:
        print('预测错误')

代码解析：

1. 通过 for 循环进行 20 次迭代，每次迭代随机选取一个测试样本。
2. 从测试集中获取随机选取的测试样本的标签（即真实标签）。
3. 通过 np.where 函数获取真实标签的 one-hot 编码。
4. 获取随机选取的测试样本的像素值，并将其 reshape 成 1281283 的三维数组。
5. 通过 plt.title 和 plt.imshow 将真实标签和测试样本图片显示出来。
6. 进行分类预测，得到预测结果。
7. 输出测试样本序号和预测结果。
8. 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'。

功能概述：

该代码主要用于对测试样本进行分类预测并评估模型的性能。它通过随机选取测试样本，并显示其真实标签和预测结果，方便用户直观地了解模型的预测效果。同时，代码还判断了预测结果是否与真实标签一致，以便更好地评估模型的准确性。