预测validation_generator的代码

以下是使用Keras框架预测validation_generator的示例代码：

from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# 加载模型
model = load_model('your_model.h5')

# 配置模型
img_width, img_height = 224, 224  # 输入图像的宽度和高度，需要与模型训练时的输入大小相同
input_shape = (img_width, img_height, 3)  # 输入张量的形状
class_names = ['class1', 'class2', 'class3', ...]  # 类别名称列表，需要与模型训练时的类别顺序相同

# 推理
validation_data_dir = 'path/to/validation/data'  # validation数据集所在的目录
validation_generator = image.ImageDataGenerator().flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=32,
    class_mode='categorical',
    shuffle=False
)  # 创建validation数据集的生成器
validation_steps = len(validation_generator)
validation_generator.reset()  # 重置validation数据集的生成器，以便从第一个样本开始预测

y_true = validation_generator.classes  # 获取validation数据集的真实标签
y_pred = model.predict_generator(validation_generator, steps=validation_steps, verbose=1)  # 对validation数据集进行预测
y_pred_classes = np.argmax(y_pred, axis=1)  # 将预测概率转换为类别标签

# 评估
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred_classes, target_names=class_names))

上述代码中，首先加载了已经训练好的模型，然后配置了输入张量的形状和数据类型，以及输出张量的形状和数据类型。接着使用Keras的`ImageDataGenerator()`函数创建了validation数据集的生成器，并调用模型的`predict_generator()`方法对其进行预测，最后使用`classification_report()`函数计算模型的评估指标。