前言

訓練好模型之後，就可以進行推論了！推論（Inference）指的是模型訓練完畢後，將資料集輸入訓練好的模型，去預測結果。使用的資料是新的、沒看過的資料，所以通常會準備一份測試資料集，來測試訓練好的模型效果好不好。

測試資料要找和主題相同類型的，例如不會拿音訊檔案輸入影像分類模型去進行推論，也不會拿不是需求的檔案去測試，例如做的是熊熊分類器，偏要拿花卉或是其他動物的影像當作測試輸入（雖然它還是會告訴你一個答案啦XD）。

同時注意如果有在資料前處理時做過標準化或是正規化，要記得以同樣的標準去處理測試資料，而不是測試資料自己重算一份數值（如平均數和標準差）去計算。

如何推論？

1. 載入訓練好的模型檔，your_model_name 換成自己的模型檔名：

from keras.models import load_model

saved_model = load_model("your_model_name.h5")

2. 輸入要測試的影像檔案，your_path_to_image 換成要測試的檔案路徑，記得包含副檔名：

img_path = "your_path_to_image"

3. 載入影像：

from tensorflow.keras.preprocessing import image

img = image.load_img(img_path, target_size=(256, 256))

4. 影像轉換成 NumPy 數據形式，並增加一個維度，符合模型輸入期望格式：

img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

5. 進行推論，使用 model.predict()：

predictions = model.predict(img_array)

6. 取得推論結果，找出最大值的索引，即表示機率值最高的類別，就是這張影像的推論結果：

predicted_index = np.argmax(predictions, axis=1)[0]
print(predicted_index)

推論結果為 1。

說明：訓練模型時，類別編號以資料夾名稱排序，熊熊資料集依序為 black、grizzly、panda、polar 和 teddy（依照英文字母排序），拿棕熊的影像去測試，得到 1 表示類別為 grizzly，也表示推論正確。

如果要顯示對應類別與機率值：

class_names = ['black', 'grizzly', 'panda', 'polar', 'teddy']
predicted_index = np.argmax(predictions, axis=1)[0]
predicted_class_name = class_names[predicted_index]
predicted_probability = predictions[0][predicted_index]

print(f"Class: {predicted_class_name}")
print(f"Confidence: {predicted_probability:.4f}") # 取小數點後四位

執行結果：

Class: grizzly
Confidence: 1.0000

💡補充路徑寫法💡

在 Windows 系統中，直接複製路徑到 Python 程式碼，需要將反斜線更換成正斜線，這樣才不會被當作跳脫字元處理。除了一一將反斜線刪除更改為正斜線之外：

img_path = "C:/test_dataset/image.png"

也可以變成兩個反斜線處理：

img_path = "C:\\test_dataset\\image.png"

或是可以在路徑前面加上 r 定義為原始字串，後面就直接貼上從檔案複製的路徑：

img_path = r"C:\test_dataset\image.png"

如果路徑字串有接上其他路徑字串，要記得檢查斜線格式是否統一，才不會出錯喔！

今天先以單張影像為例，明天會介紹評估測試結果，就會使用更多影像來進行推論～