怎么把文件夹里面的验证图像集输入预训练好的模型中的完整代码

以下是一个简单的Python代码示例，演示了如何将文件夹中的验证图像集输入到预训练模型中进行推理：

import os
import numpy as np
from PIL import Image
import tensorflow as tf
from tensorflow.keras.models import load_model

# 加载预训练模型
model = load_model('my_model.h5')

# 读取验证图像集
data_dir = 'validation_data'
img_height, img_width = 224, 224
num_classes = 10

# 预处理函数
def preprocess_image(img):
    # 调整大小
    img = img.resize((img_height, img_width))
    # 转换为numpy数组
    img_array = np.array(img)
    # 扩展维度
    img_array = np.expand_dims(img_array, axis=0)
    # 预处理，归一化
    img_array = tf.keras.applications.resnet50.preprocess_input(img_array)
    return img_array

# 预测函数
def predict_image(img_path):
    # 读取图像
    img = Image.open(img_path)
    # 预处理图像
    img_array = preprocess_image(img)
    # 预测结果
    predictions = model.predict(img_array)
    # 返回预测结果
    return predictions

# 遍历所有图像并进行预测
for class_name in os.listdir(data_dir):
    class_path = os.path.join(data_dir, class_name)
    for img_name in os.listdir(class_path):
        img_path = os.path.join(class_path, img_name)
        # 进行预测
        predictions = predict_image(img_path)
        # 打印预测结果
        print('Image:', img_name)
        print('Predictions:', predictions)

在以上示例中，我们假设预训练模型是通过Keras API训练的，并且已经保存到了my_model.h5文件中。我们使用PIL库来读取图像，并使用TensorFlow自带的ResNet50预处理函数来进行图像预处理。然后，我们使用预训练模型对每个图像进行预测，并打印输出预测结果。