เราสามารถพล็อตผลลัพธ์ที่คาดการณ์ไว้ในภาพทดสอบจำนวน 100 ภาพ การคาดการณ์ สีแดงคือ ผลลัพธ์ที่คาดการณ์ไว้ผิด ในขณะที่แบบอื่นๆ ถูกต้อง
# A helper function that returns 'red'/'black' depending on if its two input
# parameter matches or not.
def get_label_color(val1, val2):
if val1 == val2:
return 'black'
else:
return 'red'
# Then plot 100 test images and their predicted labels.
# If a prediction result is different from the label provided label in "test"
# dataset, we will highlight it in red color.
plt.figure(figsize=(20, 20))
predicts = model.predict_top_k(test_data)
for i, (image, label) in enumerate(test_data.gen_dataset().unbatch().take(100)):
ax = plt.subplot(10, 10, i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(image.numpy(), cmap=plt.cm.gray)
predict_label = predicts[i][0][0]
color = get_label_color(predict_label,
test_data.index_to_label[label.numpy()])
ax.xaxis.label.set_color(color)
plt.xlabel('Predicted: %s' % predict_label)
plt.show()
การส่งออกโมเดลสู่ TensorFlow Lite ด้วยข้อมูลเมตา (metadata) ซึ่งเป็นมาตรฐานสำหรับการอธิบายโมเดล โดยที่ไฟล์ป้ายกำกับ (Label file) ถูกฝังอยู่ในข้อมูลเมตา หลังจากขั้นตอนนี้ เราก็สามารถใช้ไฟล์โมเดล TensorFlow Lite ในแอปพลิเคชันบนอุปกรณ์มือถือได้
model.export(export_dir='/content/drive/MyDrive/SignLanguageDataset')