利用loaded_model.predict()一次性识别多个图片，返回每个图片置信度的代码

要一次性识别多个图像并返回每个图像的置信度，可以使用`loaded_model.predict()`方法在一个批次中进行预测。以下是一个示例代码：

import tensorflow as tf
import numpy as np
from PIL import Image

# 假设已加载并准备好模型和图像数据

# 加载模型
loaded_model = tf.keras.models.load_model('your_model_path')

# 加载和预处理图像数据
images = []
image_paths = ['image1.jpg', 'image2.jpg', 'image3.jpg']  # 图像文件路径列表
for image_path in image_paths:
    image = Image.open(image_path)
    image = image.resize((224, 224))  # 调整图像大小
    image = tf.keras.preprocessing.image.img_to_array(image)  # 转换为数组
    image = tf.expand_dims(image, axis=0)  # 扩展维度，适应模型输入要求
    image = tf.keras.applications.mobilenet_v2.preprocess_input(image)  # 预处理图像数据
    images.append(image)

# 将图像数据组合成一个批次
images = np.vstack(images)

# 使用模型进行图像识别
predictions = loaded_model.predict(images)

# 获取每个图像的置信度
for i, prediction in enumerate(predictions):
    confidence = np.max(prediction)
    print("图像", i+1, "的置信度：", confidence)

在上述代码中，首先加载已经训练好的模型。然后，使用循环加载和预处理每个图像数据，并将其添加到一个列表中。接下来，使用`np.vstack()`函数将图像数据组合成一个批次。最后，通过`loaded_model.predict()`方法对整个批次的图像进行识别，并遍历每个预测结果，获取每个图像的置信度。

请注意，上述代码仅为示例，实际的代码实现可能会根据具体的模型和数据而有所不同。