根據昨天的測試我們知道小畫家畫風的數字模型認不出來，那麼我們可以追加訓練讓它學習自己畫的字。
這次我決定再改一下資料格式，並用 tensorflow.keras 的內建函式讀取。
資料格式如下，一個資料夾代表一個標籤，image_dataset_from_directory 會自動的將資料夾名稱轉為標籤。

因為內建函式沒有黑白轉換那麼細的設定，所以我手動把圖片改成黑底白字了。

import tensorflow as tf
saved_model_path = "mnist"
model = tf.keras.models.load_model(saved_model_path)

# 讀取 img 資料夾，32 個一批，圖片大小轉 28*28，灰階模式，標籤是整數
# 不打亂，因為在打亂的情況拿資料會導致每次拿的順序都不同
raw_keras_ds = tf.keras.preprocessing.image_dataset_from_directory("img", batch_size=32, image_size=(28, 28), color_mode="grayscale", label_mode='int', shuffle=False)

這次改用 pandas 整理輸出資料

import pandas as pd

predictions, labels = tuple(zip(*raw_keras_ds))

results = model.predict(predictions)

results = [ [round(j, 2) for j in i]  for i in results]

df = pd.DataFrame(results)
df.insert(0, 'label', labels[0])
df.insert(0, 'filepath', raw_keras_ds.file_paths)

print(df.to_markdown())

6, 7, 8 的預測都錯誤。
而如果有人想問我為啥結果和昨天不一樣...我也不知道，也許 opencv 處理圖片的方式和 image_dataset_from_directory 的方式不同。
但錯的和昨天差不多，不過結果被四捨五入了。

batch_size 務必大於資料量，因為原本 image_dataset_from_directory 是使用 batch_size 一批一批的的拿資料。

但為了在結果展示更多資訊，我用了以下兩個方式拿 label 和 file_paths。
predictions, labels = tuple(zip(*raw_keras_ds))
raw_keras_ds.file_paths

如果 batch_size 只有 5 ，那麼他們只會拿到第一批的五筆資料。

說好的追加訓練其實只要一行

model.fit(raw_keras_ds, epochs=5)

追加訓練後的結果，只剩下 7 被認成 1 了。

雖然官方的函式庫的確很方便，但我還是比較習慣手刻。
因為不熟悉函式庫，很多都要上網查。