图像分类模型预测结果可视化

本示例展示了如何使用 Python 代码可视化图像分类模型对测试样本的预测结果，并随机选择 15 张图片，展示其真实标签和预测标签。

代码示例

# 预测测试样本标签
test_images, test_labels = next(test_generator)
predicted_labels = Model.predict(test_images)

# 随机选择15张图片，并展示它们的预测结果
fig, ax = plt.subplots(3, 5, figsize=(12, 8))
fig.suptitle('Random Test Images with Predictions', fontsize=16)

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)
    # 显示图片和它的预测标签
    axis.imshow(image)
    axis.axis('off')
    class_names =['Long sleeved', 'Short sleeve', 'cotton-padded jacket', 'longuette', 'shorts']
    # 显示原始图像以及它的实际标签和模型预测的标签
    axis.set_title('Actual: {}
Predicted: {}'.format(class_names[label], class_names[predicted_label]))

plt.show()

解释

1. 预测测试样本标签: 使用 Model.predict(test_images) 对测试样本进行预测，得到预测标签 predicted_labels。
2. 随机选择图片: 使用 np.random.randint(len(test_images)) 从测试样本中随机选择 15 张图片。
3. 展示图片和预测结果: 使用 plt.subplots 创建一个 3x5 的图片展示区域，并遍历每个图片，显示图片本身以及其真实标签和预测标签。

注意事项

• 确保 test_generator 已经定义，并且能够生成测试样本。
• 确保 Model 是已经训练好的图像分类模型。
• 确保 class_names 列表包含所有可能的类别名称。

总结

本示例展示了如何使用 Python 代码可视化图像分类模型的预测结果，方便理解模型的预测能力。