在之前的步骤中,我们已经完成来训练,现在要使用test测试数据来评估模型准确率,用下面的程序带来来评估模型的准确率

scores = model.evaluate(x_Test4D,y_TestOneHot)

   32/10000 […………………………] – ETA: 4s

  192/10000 […………………………] – ETA: 3s

  352/10000 [>………………………..] – ETA: 3s

  512/10000 [>………………………..] – ETA: 3s

  672/10000 [=>……………………….] – ETA: 3s

  736/10000 [=>……………………….] – ETA: 3s

  832/10000 [=>……………………….] – ETA: 3s

  992/10000 [=>……………………….] – ETA: 3s

9152/10000 [==========================>…] – ETA: 0s

9312/10000 [==========================>…] – ETA: 0s

9472/10000 [===========================>..] – ETA: 0s

9600/10000 [===========================>..] – ETA: 0s

9760/10000 [============================>.] – ETA: 0s

9920/10000 [============================>.] – ETA: 0s

10000/10000 [==============================] – 4s 379us/step

0.9903

1.执行预测

下面程序代码使用model.predict_classes输入参数x_test4d_normalize进行预测

2.预测结果

我们查看前10项数据

prediction = model.predict_classes(x_Test4D_normalize)

print(prediction[:10])

显示前10项训练结果

3.显示混淆矩阵

predict    0     1     2     3    4    5    6     7    8    9

label

0        976     0     0     0    0    0    2     1    1    0

1          0  1130     1     0    0    1    1     1    1    0

2          1     0  1029     0    0    0    0     2    0    0

3          0     0     1  1002    0    2    0     3    2    0

4          0     0     0     0  975    0    1     0    1    5

5          1     1     0     5    0  882    2     0    0    1

6          4     2     0     1    1    1  948     0    1    0

7          0     1     6     0    0    0    0  1018    1    2

8          3     0     3     2    1    1    0     2  959    3

9          3     4     1     2    5    1    0     3    0  990