本文已参与「新人创作礼」活动，一起开启掘金创作之路。
上一篇博客中使用了数据增强的方式来提高模型的训练效果，在模型训练完成后对模型进行了保存，方便后期调用模型实现图片的识别。
本博客将简单的叙述如何使用保存的模型进行图片分类，由于我们使用的CIFAR10进行训练，所以我们提前准备一张猫和一张狗的图片，然后加载模型看是否可以正确识别。 下面直接上代码
# 导入需要的头文件
import tensorflow as tf
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input
import numpy as np
# 加载图片，并将图片设置为与数据集同样大小和维度
img = image.load_img('cat2.jpg', target_size=(32, 32, 3))
# 将图片转为array格式
x = image.img_to_array(img)
# 主要用于扩展数组的形状，axis表示几，就在第几维度的地方添加数据，此处为0，表示在第0维度添加数据，完成后数据变为(1, 32, 32, 3)
x = np.expand_dims(x, axis=0)
# 将传入的数据进行处理，类似于数据的归一化操作
x = preprocess_input(x)
# 加载模型，此处说明一点，上一篇博客中代码保存模型时直接用model.save('detectCIFAR10-1.h5')，不使用保存为json和权重文件的方式，这样加载时非常方便
new_model = tf.keras.models.load_model('detectCIFAR10-1.h5')
# 预测类别，CIFAR10中0表示飞机，1表示汽车，2表示鸟，3表示猫，4表示鹿，5表示狗、6表示青蛙，7表示房子、8表示船、9表示卡车
pred = new_model.predict_classes(x)
# 输出预测的类别数字，按照上述的说明可以查看是否预测正确
preds = new_model.predict(x)
print(pred)
之前在最前面的博客中讲到过模型加载的方法，但是随着网络与数据集的不同，加载模型的方法也发生了变化，还有一种比较繁琐的权重和模型分离的加载方法，后面用到时再进行说明。运行上述代码，可以看到自己辛辛苦苦训练的网络终于能派上用场了，可以完成几个类别的图像分类了，但同样会发现网络的准确率非常感人，经常预测错误，不要慌，下一篇博客中我们讲解一种更深度的网络模型，到时候再将模型保存与此处的模型进行比较，看是否得到提升。下一篇博客向着VGG16出发！
