卷积神经网络如何获得召回率、准确率和综合函数F1

1、思路：将数据测试集进过归一化处理，用训练好的模型对测试集进行预测，预测结果为概率数组，将其转换为预测种类索引，与预先制作的标签进行对比。
2、代码。

from sklearn.metrics import classification_report
model=load_model('./checkpoint/model_inception_v3-128.h5')#下载训练模型
y_pred=model.predict(data)#对测试集进行预测

print('y：',y_pred)
# y_pred = keras.utils.to_categorical(y_pred, 10)
# for i in range(len(y_pred)):
#     max_value = max(y_pred[i])
#     for j in range(len(y_pred[i])):
#         if max_value == y_pred[i][j]:
#             y_pred[i][j] = 1
#         else:
#             y_pred[i][j] = 0
y_pred = np.rint(y_pred)#四舍五入取整
print(classification_report(label, y_pred))#生成预测召回率、准确率、F1值。

3、效果：
这是二分类的结果，macro avg作为我们所要的最终结果。support是我样本的数量。
参考：https://blog.csdn.net/weixin_40015791/article/details/90243429
注意：
返回数值默认保留两位小数，classification_report（）函数有一个参数digit表示保留小数点个数，默认为2，我在里面改为5，或者classification_report(label, y_pred，digits=5)。小数点数量自己定。

def classification_report(y_true, y_pred, labels=None, target_names=None,
                          sample_weight=None, digits=5, output_dict=False):