python工具方法 16 保存模型分类后的数据及分类错误的数据

在ai模型训练完成后，在精度达不到100%的时候，必然会存在分类错误的数据需要进行加强分析；同时对于新采集的数据，使用AI进行进行预分类可以取得更加的效果。第一段的预测函数仅支持keras，请自行按需修改。后续的数据保存与框架无关

工具方法一、加载模型读取数据并预测

参数列表：数据的shape，模型的路径，数据的路径

函数中参数列表，frequence表示预测数据的频次，pred_labels表示要分类的class数，按需求更改。同时要跟get_dir_index函数对的上号。

可以用于测试有label的数据，也可以用于测试没有label的数据

其中返回值中的label是非独热码，filenames是每个数据对应的文件名

from tensorflow.keras.models import load_model
import os,cv2
import warnings
warnings.filterwarnings('ignore')
import numpy as np
from skimage import io,color,transform,exposure,filters
def get_dir_index(dir_name):
    if "类别1" in dir_name:
        return 0
    if "类别2" in dir_name:
        return 1
    if "类别3" in dir_name:
        return 2
    else:
        return -1
#读取模型并测试数据
def read_and_test(shape,model_file,path_dir):
    model=load_model(model_file)
    frequen