如果有人仍然难以对图像进行预测，下面是加载保存的模型并进行预测的优化代码：

# Modify 'test1.jpg' and 'test2.jpg' to the images you want to predict on

from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# dimensions of our images
img_width, img_height = 320, 240

# load the model we saved
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# predicting images
img = image.load_img('test1.jpg', target_size=(img_width, img_height))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)

images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print classes

# predicting multiple images at once
img = image.load_img('test2.jpg', target_size=(img_width, img_height))
y = image.img_to_array(img)
y = np.expand_dims(y, axis=0)

# pass the list of multiple images np.vstack()
images = np.vstack([x, y])
classes = model.predict_classes(images, batch_size=10)

# print the classes, the images belong to
print classes
print classes[0]
print classes[0][0]

您可以使用model.predict()来预测单个图像的类别，如下所示doc(https://keras.io/models/sequential/)：

# load_model_sample.py
from keras.models import load_model
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
import os

def load_image(img_path, show=False):

    img = image.load_img(img_path, target_size=(150, 150))
    img_tensor = image.img_to_array(img)                    # (height, width, channels)
    img_tensor = np.expand_dims(img_tensor, axis=0)         # (1, height, width, channels), add a dimension because the model expects this shape: (batch_size, height, width, channels)
    img_tensor /= 255.                                      # imshow expects values in the range [0, 1]

    if show:
        plt.imshow(img_tensor[0])                           
        plt.axis('off')
        plt.show()

    return img_tensor

if __name__ == "__main__":

    # load model
    model = load_model("model_aug.h5")

    # image path
    img_path = '/media/data/dogscats/test1/3867.jpg'    # dog
    #img_path = '/media/data/dogscats/test1/19.jpg'      # cat

    # load a single image
    new_image = load_image(img_path)

    # check prediction
    pred = model.predict(new_image)

在这个例子中，图像被加载为numpy数组，形状为(1, height, width, channels)，然后，我们将其加载到模型中并预测其类别，返回为范围[0，1]中的真实的值（在这个例子中为二进制分类）。

keras predict_classes（docs）outputs类预测的numpy数组。在您的模型中，它是最后一个（softmax）层的最高激活的神经元的索引。[[0]]意味着您的模型预测您的测试数据是类0。（通常您将传递多个图像，结果看起来像[[0], [1], [1], [0]]）
您必须将实际标签（例如'cancer', 'not cancer'）转换为二进制编码（0表示“cancer”，1表示“not cancer”）以进行二进制分类。然后，您将把[[0]]的序列输出解释为具有类标签'cancer'

这是因为你得到的是与类相关联的数值。例如，如果你有两个类cats和dogs，Keras会将它们关联为数值0和1。要得到你的类和它们相关联的数值之间的Map，你可以使用

>>> classes = train_generator.class_indices    
>>> print(classes)
    {'cats': 0, 'dogs': 1}

现在你知道了类和索引之间的Map，你现在可以做的是
第一个月

通过@ritiek转发这个例子，我也是一个ML初学者，也许这种格式将有助于看到名称，而不仅仅是班级编号。

images = np.vstack([x, y])

prediction = model.predict(images)

print(prediction)

i = 1

for things in prediction:  
    if(things == 0):
        print('%d.It is cancer'%(i))
    else:
        print('%d.Not cancer'%(i))
    i = i + 1