訓練過程中可能會有關於圖片的錯誤訊息出現，不過並不是所有圖片都有問題，小部分的錯誤可以忽略。
如果出現的是缺少PIL的話，請安裝套件。

pip install pillow

如果出現的錯誤是OOM的話，代表你的視訊記憶體容量不足以滿足目前的設定，請適度調低圖片輸入的尺寸，或是小批量梯度下降的批大小。

input_shape = (160, 160)
batch_size = 32

接著我們對於昨天訓練的模型挑選來做測試，這裡我使用其自動儲存的EfficientNetB0-40.h5，在驗證集的正確率到達95.16%，先寫一個函數，載入模型，對輸入圖片縮放、預處理再進行辨識，接著到Google上搜尋一些貓狗的圖片，丟進模型看是否辨識成功。

from tensorflow.keras.preprocessing.image import load_img, img_to_array
from tensorflow.keras.models import load_model

model = load_model('EfficientNetB0-40.h5')
input_shape = model.input_shape[1:3]

def predict(path, thresh=0.5):
  img = load_img(path, target_size=input_shape, interpolation='lanczos')
  img = img_to_array(img) / 255.
  conf = model.predict(img.reshape(-1, *img.shape))[0][0]
  animal = 'Cat' if conf < thresh else 'Dog'
  return (animal, conf)

越靠近0、1代表模型越有信心，越靠近0.5代表越沒有信心，我抓了四張圖片，來看看結果如何。

>>> predict(r'cat1.jpg')
('Cat', 0.44871056)
>>> predict(r'cat2.jpg')
('Cat', 0.15131222)
>>> predict(r'dog1.jpg')
('Dog', 0.7994051)
>>> predict(r'dog2.jpg')
('Dog', 0.99938977)

如果你對這個模型滿意，想要保留之後使用的話，可以這樣設定儲存參數，那麼優化器的狀態不會被保存下來，可以節省不少體積，減少的體積量依使用優化器的不同而定，使用adam的話，這麼做是很有感的，如果你是之前中斷訓練，且有意後續載入繼續進行訓練的話，建議可以先不做。

model.save('EfficientNetB0-40-Stripped.h5', include_optimizer=False)