使用已经训练和测试过的神经网络模型进行遥感图像分类的验证的代码

以下是使用已训练神经网络模型进行遥感图像分类验证的代码示例：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import load_model
from sklearn.metrics import classification_report

# 加载已训练好的神经网络模型
model = load_model("model.h5")

# 加载测试集数据和标签
test_data = np.load("test_data.npy")
test_labels = np.load("test_labels.npy")

# 对测试集数据进行预测
predictions = model.predict(test_data)

# 将预测结果转换为类别标签
predicted_labels = np.argmax(predictions, axis=1)

# 输出分类报告
target_names = ["class1", "class2", "class3"] # 类别名称
print(classification_report(test_labels, predicted_labels, target_names=target_names))

在上面的代码示例中，我们首先加载了已训练好的神经网络模型。然后，我们使用 `np.load()` 函数加载了测试集数据和标签。接下来，我们使用 `model.predict()` 函数对测试集数据进行预测，并使用 `np.argmax()` 函数将预测结果转换为类别标签。最后，我们使用 `classification_report()` 函数输出分类报告，包括准确率、召回率、F1 值等指标。请注意，你需要将 `target_names` 替换为你的实际类别名称。