在测试数据集上进行图片分类识别，获取选择模型相关性能指标。编写代码

在测试数据集上进行图片分类识别并获取模型的相关性能指标，通常涉及以下几个步骤：

1. **加载测试数据集**：读取测试数据集中的图片及其标签。
2. **预处理数据**：对测试数据进行与训练数据相同的预处理操作，如缩放、归一化等。
3. **加载训练好的模型**：加载之前训练好的模型。
4. **进行预测**：使用模型对测试数据进行预测。
5. **评估性能**：计算模型的性能指标，如准确率、精确率、召回率、F1分数等。

以下是一个示例代码，假设你已经有一个训练好的模型 `model` 和一个测试数据集 `test_dataset`：

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import load_model

# 加载训练好的模型
model = load_model('path_to_your_model.h5')

# 定义测试数据生成器
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
    'path_to_test_data',
    target_size=(224, 224),
    batch_size=32,
    class_mode='binary'
)

# 获取测试数据和标签
X_test, y_true = [], []
for i in range(len(test_generator)):
    x, y = test_generator[i]
    X_test.append(x)
    y_true.extend(y)
X_test = np.concatenate(X_test, axis=0)
y_true = np.array(y_true)

# 进行预测
y_pred = model.predict(X_test)
y_pred = (y_pred > 0.5).astype(int)  # 将概率转换为类别标签

# 计算性能指标
accuracy = accuracy_score(y_true, y_pred)
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print(f'Accuracy: {accuracy:.4f}')
print(f'Precision: {precision:.4f}')
print(f'Recall: {recall:.4f}')
print(f'F1 Score: {f1:.4f}')

### 代码说明：
1. **加载模型**：使用 `load_model` 函数从文件中加载训练好的模型。
2. **定义测试数据生成器**：使用 `ImageDataGenerator` 对测试数据进行预处理，并创建一个生成器来读取测试数据。
3. **获取测试数据和标签**：遍历生成器，收集所有的测试数据和标签。
4. **进行预测**：使用模型对测试数据进行预测，并将预测结果转换为类别标签。
5. **计算性能指标**：使用 `sklearn.metrics` 中的函数计算准确率、精确率、召回率和 F1 分数，并打印出来。

请根据实际情况调整路径和参数。希望这个示例对你有帮助！