图像分类模型预测结果可视化 - Python代码示例 - 常规

使用Python代码可视化图像分类模型的预测结果

本示例代码展示了如何使用Python的matplotlib库可视化图像分类模型的预测结果，展示随机选择的测试图片及其实际标签和预测标签。

test_images, test_labels = next(test_generator)
predicted_labels = Model.predict(test_images)
fig, ax = plt.subplots(4, 4, figsize=(12,12))
fig.suptitle('Random Test Images with Predictions')

for i, axis in enumerate(ax.flat):
    index = np.random.randint(len(test_images))
    image = test_images[index]
    label = test_labels[index].argmax(axis=-1)
    predicted_label = predicted_labels[index].argmax(axis=-1)
    axis.imshow(image)
    axis.axis('off')
    class_names =['cane', 'cavallo', 'elefante', 'farfalla', 'gallina', 'gatto', 'mucca', 'pecora', 'ragno', 'scoiattolo']
    axis.set_title('Actual: {}
Predicted: {}'.format(class_names[label], class_names[predicted_label]), fontsize=8)

plt.subplots_adjust(hspace=0.4)
plt.show()

代码解释：

加载测试数据： test_images, test_labels = next(test_generator) 从测试数据生成器中获取一批测试图片和它们的标签。
模型预测： predicted_labels = Model.predict(test_images) 使用训练好的模型对测试图片进行预测，得到预测标签。
创建画布： fig, ax = plt.subplots(4, 4, figsize=(12,12)) 创建一个4x4的画布，每个子图用于显示一张图片和其预测结果。
随机选择图片： index = np.random.randint(len(test_images)) 从测试图片集中随机选择一张图片。
显示图片和预测结果：
- axis.imshow(image) 在子图上显示选择的图片。
- axis.axis('off') 隐藏子图的坐标轴。
- axis.set_title(...) 在子图上设置标题，显示实际标签和预测标签。
调整间距： plt.subplots_adjust(hspace=0.4) 调整子图之间的垂直间距。
显示结果： plt.show() 显示生成的图像。

代码中使用的参数：

test_generator: 测试数据生成器。
Model: 训练好的图像分类模型。
class_names: 图像分类的类别名称列表。

注意：

为了运行代码，需要确保已经安装了matplotlib库。
需要将代码中的 test_generator 和 Model 替换为实际的测试数据生成器和训练好的模型。
可以根据需要调整代码中的参数，例如子图的大小和间距。

通过使用以上代码，可以方便地可视化图像分类模型的预测结果，帮助评估模型的性能。