将模型保存为.pb文件基于tensorflow2.10编写混淆矩阵的python程序

1. 将模型保存为.pb文件

在tensorflow2.10中，可以使用以下代码将模型保存为.pb文件：

import tensorflow as tf

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(28, 28, 1)),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 训练模型

# 保存模型为.pb文件
tf.saved_model.save(model, '/path/to/model.pb')

2. 编写混淆矩阵的python程序

混淆矩阵是评估分类模型性能的一种常用方法。下面是一个基于tensorflow2.10编写的计算混淆矩阵的Python程序：

import tensorflow as tf
import numpy as np
from sklearn.metrics import confusion_matrix

# 加载测试数据集
(x_test, y_test), _ = tf.keras.datasets.mnist.load_data()
x_test = x_test.astype('float32') / 255.
x_test = np.expand_dims(x_test, axis=-1)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 加载模型
model = tf.saved_model.load('/path/to/model.pb')

# 进行预测
y_pred = model(x_test)

# 将预测结果转换为标签
y_pred = np.argmax(y_pred, axis=-1)
y_test = np.argmax(y_test, axis=-1)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print(cm)

在上面的程序中，首先加载测试数据集，然后加载保存在.pb文件中的模型。接着，使用测试数据集进行预测，并将预测结果转换为标签。最后，使用sklearn.metrics中的confusion_matrix函数计算混淆矩阵，并输出结果。