使用keras的fit_generator来获得混淆矩阵Confusion Matrix
还是google过来的方法，说明它还是挺靠谱滴。这里有必要记录一下。
关于混乱淆矩阵是用来干嘛的，这里就不说了。各位可以百度or谷歌。
关于如何使用fit_generator来进行训练可以看我上一篇文章。
我们在使用fit_generator方法来进行训练的时候，是不需要自己读取x_img_train,y_label_train的。都是generator帮我们做好了。
但是要想画混淆矩阵的话得要 验证集中原始图像的标签与预测到的标签值。
model.fit下面有对应的evaluate，predict 等，那么model.fit_generator下面自然也有对应的，且看：
fit_generator
evaluate_generator:
evaluate_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)其它很多参数我们暂时用不到，可以写成(关于validation_generator可以去看我上一篇文章)：
model.evaluate_generator(validation_generator,verbose=1)predict_generator:
predict_generator(generator, steps=None, max_queue_size=10, workers=1, use_multiprocessing=False, verbose=0)也可以直接写成：
prediction=model.predict_generator(validation_generator,verbose=1)接下来我们对prediction做一下处理
#因为prediction是一个n行5列的数组，我们要把它转换成一维数组
#这样的话每个值就会与验证集中的标签值一一对应上了。
predict_label=np.argmax(prediction,axis=1)验证集中真实数据的标签为：
true_label=validation_generator.classes好了，混淆矩阵中所需要的两个参数我们都已经得到了。
1：true_label 真实数据标签
2：predict_label 预测的数据标签
接下来使用pd.crosstab来简单画出混淆矩阵
import pandas as pd
pd.crosstab(true_label,predict_label,rownames=['label'],colnames=['predict'])
下面是操作的注意事项：
我这里的 validation_generator 是没有被shuffle的。这样的话正好与后面的真实标签跟预测标签一一对应。
如果前面被shuffle的话，这边肯定就对不上了。
不知道网友们有没有什么更好的方法来把这两种标签相互映射？
文章是对着我自己的项目写的，具体数据这里没给出。如果各位看不懂的话可以留言，我把代码完整贴上......