### 如何在Python中加载并应用已训练好的模型进行分类 为了完成这一任务，可以利用 `tensorflow` 或 `keras` 提供的功能来加载之前保存的模型，并通过该模型对新数据进行预测。以下是具体方法： #### 加载模型 假设已经有一个名为 `"AlexNet.h5"` 的文件存储了先前训练完毕的模型，则可通过如下代码将其加载至内存中[^2]: ```python from tensorflow.keras.models import load_model model = load_model('AlexNet.h5') # Load the pre-trained model from file. ``` #### 数据预处理 对于输入的数据，在执行预测前通常需要对其进行标准化或其他形式的预处理操作以确保其格式与训练阶段一致。这可能涉及调整大小、归一化数值范围等步骤。 例如如果原始图像尺寸为 (32, 32)，则需保证测试图片同样被裁剪或填充成此规格；另外还应考虑颜色通道顺序以及像素强度是否已被映射到 [0,1] 区间等问题: ```python import numpy as np from tensorflow.keras.preprocessing.image import img_to_array, load_img def preprocess_image(image_path): image = load_img(image_path, target_size=(32, 32)) # Resize image to match expected dimensions. image = img_to_array(image) # Convert PIL Image object to NumPy array. image /= 255. # Normalize pixel values between 0 and 1. return np.expand_dims(image, axis=0) # Add extra dimension since models expect batches. test_image = preprocess_image('/path/to/test/image.jpg') ``` #### 执行预测 一旦完成了上述准备工作之后就可以调用 `.predict()` 方法来进行实际推断工作了。注意这里得到的结果通常是概率分布向量而非确切标签名因此还需要进一步转换才能获得最终答案: ```python predictions = model.predict(test_image) predicted_class_index = np.argmax(predictions, axis=-1)[0] class_names = ['airplane', 'automobile', 'bird', ... ] # Replace ellipsis with actual class names used during training. print(f"The predicted class is {class_names[predicted_class_index]}") ``` 以上就是整个流程概述，当然具体情况还需依据项目需求灵活调整参数设置等内容.