如何使用predict_generator对Keras中的流测试数据进行预测？

在Keras从头开始培训卷积网络的博客中，代码仅显示了运行在培训和验证数据上的网络。那测试数据呢？验证数据是否与测试数据相同（我认为不是）。如果在与train和validation文件夹相似的行上有一个单独的测试文件夹，我们如何获得测试数据的混淆矩阵。我知道我们必须使用scikit Learn或其他软件包来执行此操作，但是如何从类明智的测试数据概率中获取一些信息呢？我希望将其用于混淆矩阵。

要从测试数据中获取混淆矩阵，您应该执行两个步骤：

1. 对测试数据进行预测

例如，用于model.predict_generator预测测试生成器的前2000个概率。

generator = datagen.flow_from_directory(
        'data/test',
        target_size=(150, 150),
        batch_size=16,
        class_mode=None,  # only data, no labels
        shuffle=False)  # keep data in same order as labels

probabilities = model.predict_generator(generator, 2000)

2. 根据标签预测计算混淆矩阵

例如，将概率与分别有1000只猫和1000只狗的情况进行比较。

from sklearn.metrics import confusion_matrix

y_true = np.array([0] * 1000 + [1] * 1000)
y_pred = probabilities > 0.5

confusion_matrix(y_true, y_pred)

有关测试和验证数据的附加说明

Keras文档使用三组不同的数据：培训数据，验证数据和测试数据。训练数据用于优化模型参数。验证数据用于选择元参数，例如历元数。使用最佳的元参数优化模型后，可使用测试数据对模型性能进行合理的估计。

这是我尝试并为我工作的一些代码：

pred= model.predict_generator(validation_generator, nb_validation_samples // batch_size)
predicted_class_indices=np.argmax(pred,axis=1)
labels = (validation_generator.class_indices)
labels2 = dict((v,k) for k,v in labels.items())
predictions = [labels[k] for k in predicted_class_indices]
print(predicted_class_indices)
print (labels)
print (predictions)

然后，您可以使用：

print (confusion matrix(predicted_class_indices,labels)

在进行预测之前，请确保shuffle=False在测试生成器（在我的情况下为验证生成器）中使用并重置它validation_generator.reset()。

对于混淆矩阵，您必须使用sklearn软件包。我认为Keras不能提供混乱的矩阵。要预测测试集上的值，只需调用model.predict（）方法即可生成测试集的预测。输出值的类型取决于您的模型类型，即离散或概率。