diff --git "a/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/DenseNet-test.py" "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/DenseNet-test.py"
index 20e51e250b41ddac51959502fa05ff2d54acb804..5d6e41fb6bc6c4dc0c5bce5374994465a713e98f 100644
--- "a/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/DenseNet-test.py"
+++ "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/DenseNet-test.py"
@@ -56,8 +56,9 @@ def predict_directory(file_path):
         # 传入文件路径进行预测
         preds,prob=predict_single_image(file_dir)
 
-        # 取出图片的真实标签(_前面的部分为标签值)
-        label_true=file.split('_')[0].title()
+        # 取出图片的真实标签(这里直接将文件夹名称作为真实标签值了)
+        # label_true=file.split('_')[0].title()
+        label_true = file_dir.split('\\')[0].split('/')[-1]
         # 保存真实值和预测值结果
         classes_true.append(label_true)
         classes_pred.append(preds)
diff --git "a/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet-test.py" "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet-test.py"
new file mode 100644
index 0000000000000000000000000000000000000000..a7bb652cc0265fb5486a7637d8fc23aca4493d31
--- /dev/null
+++ "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet-test.py"
@@ -0,0 +1,76 @@
+import tensorflow as tf
+import numpy as np
+import os
+import matplotlib.pyplot as plt
+from tensorflow.keras import layers
+from tensorflow.keras.models import load_model
+
+# from PIL import Image
+
+model = load_model('model/ResNet50(迁移学习)-花朵分类(17).h5')
+model.summary()
+
+# 类别总数
+dataset_dir = 'data/train'
+classes = []
+for filename in os.listdir(dataset_dir):
+    classes.append(filename)
+# print('classes:',classes)
+
+# 预测单张图片
+def predict_single_image(img_path):
+    img = tf.io.read_file(img_path)
+    # 将jpg格式转换为tensor
+    img = tf.image.decode_jpeg(img, channels=3)
+    # 数据归一化
+    img = tf.image.convert_image_dtype(img, dtype=tf.float32)
+    # resize
+    img = tf.image.resize(img, size=[224, 224])
+    # 扩充一个维度
+    img = np.expand_dims(img, axis=0)
+
+    # 预测：结果是二维的
+    test_result = model.predict(img)
+    # print('test_result：', test_result)
+    # 转化为一维
+    result = np.squeeze(test_result)
+    # print('转化后result：', result)
+
+    # 找到概率值最大的索引
+    predict_class = np.argmax(result)
+    # print('概率值最大的索引：', predict_class)
+
+    # 返回类别和所属类别的概率
+    return classes[int(predict_class)], result[predict_class]
+
+# 对整个文件夹的图片进行预测
+def predict_directory(file_path):
+    classes_pred=[]
+    classes_true=[]
+    probs=[]
+    for file in os.listdir(file_path):
+        # 测试图片完整路径
+        file_dir=os.path.join(file_path,file)
+        # 打印文件路径
+        print(file_dir)
+        # 传入文件路径进行预测
+        preds,prob=predict_single_image(file_dir)
+
+        # 取出图片的真实标签(_前面的部分为标签值)
+        # label_true=file.split('_')[0].title()
+        label_true=file_dir.split('\\')[0].split('/')[-1]
+        # 保存真实值和预测值结果
+        classes_true.append(label_true)
+        classes_pred.append(preds)
+        probs.append(prob)
+    return classes_pred,classes_true,probs
+
+# img_path = 'Gemstones/train/Almandine/almandine_0.jpg'
+# classes, prob = predict_single_image(img_path)
+# print(classes, prob)
+
+file_path='data/test/flower0'
+classes_pred,classes_true,probs=predict_directory(file_path)
+print(classes_pred)
+print(classes_true)
+print(probs)
\ No newline at end of file
diff --git "a/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet50(\350\277\201\347\247\273\345\255\246\344\271\240).py" "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet50(\350\277\201\347\247\273\345\255\246\344\271\240).py"
new file mode 100644
index 0000000000000000000000000000000000000000..1278e1c465e1307ecb818245252782b269498e3b
--- /dev/null
+++ "b/\345\233\276\345\203\217\350\257\206\345\210\253/\350\212\261\346\234\265\350\257\206\345\210\253/ResNet50(\350\277\201\347\247\273\345\255\246\344\271\240).py"
@@ -0,0 +1,129 @@
+import tensorflow as tf
+import numpy as np
+import matplotlib.pyplot as plt
+from tensorflow.keras.preprocessing.image import ImageDataGenerator
+from tensorflow.keras import layers
+from tensorflow.keras.models import Model
+from tensorflow.keras.applications import ResNet50
+from tensorflow.keras.callbacks import LearningRateScheduler
+
+model=ResNet50(include_top=False,input_shape=(224,224,3))
+model.summary()
+
+# 类别数
+num_classes=17
+# 批次大小
+batch_size=32
+# 周期数
+epochs=100
+# 图片大小
+image_size=224
+
+model=tf.keras.Sequential([
+    model,
+    layers.GlobalAveragePooling2D(),
+    layers.Dense(num_classes,activation='softmax')
+])
+model.summary()
+
+# 训练集数据进行数据增强
+train_datagen = ImageDataGenerator(
+    rotation_range=20,  # 随机旋转度数
+    width_shift_range=0.1,  # 随机水平平移
+    height_shift_range=0.1,  # 随机竖直平移
+    rescale=1 / 255,  # 数据归一化
+    shear_range=10,  # 随机错切变换
+    zoom_range=0.1,  # 随机放大
+    horizontal_flip=True,  # 水平翻转
+    brightness_range=(0.7, 1.3),  # 亮度变化
+    fill_mode='nearest',  # 填充方式
+)
+# 测试集数据只需要归一化就可以
+test_datagen = ImageDataGenerator(
+    rescale=1 / 255,  # 数据归一化
+)
+
+# 训练集数据生成器，可以在训练时自动产生数据进行训练
+# 从'data/train'获得训练集数据
+# 获得数据后会把图片resize为image_size×image_size的大小
+# generator每次会产生batch_size个数据
+train_generator = train_datagen.flow_from_directory(
+    'data/花朵分类(17)/train',
+    target_size=(image_size, image_size), # 调整图像尺寸
+    batch_size=batch_size,
+)
+
+# 测试集数据生成器
+test_generator = test_datagen.flow_from_directory(
+    'data/花朵分类(17)/test',
+    target_size=(image_size, image_size),
+    batch_size=batch_size,
+)
+# 字典的键为17个文件夹的名字，值为对应的分类编号
+print(train_generator.class_indices)
+
+
+# 学习率调节函数，逐渐减小学习率
+def adjust_learning_rate(epoch):
+    # 前40周期
+    if epoch<=40:
+        lr = 1e-4
+    # 前40到80周期
+    elif 40 < epoch <= 80:
+        lr = 1e-5
+    # 80到100周期
+    else:
+        lr = 1e-6
+    return lr
+
+# 定义优化器
+adam = Adam(lr=1e-4)
+
+# 读取模型
+checkpoint_save_path = "./checkpoint/ResNet50-花朵分类(17).ckpt"
+if os.path.exists(checkpoint_save_path + '.index'):
+    print('-------------load the model-----------------')
+    model.load_weights(checkpoint_save_path)
+# 保存模型
+cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
+                                                 save_weights_only=True,
+                                                 save_best_only=True)
+
+# 定义学习率衰减策略
+callbacks = []
+callbacks.append(LearningRateScheduler(adjust_learning_rate))
+callbacks.append(cp_callback)
+
+# 定义优化器，loss function，训练过程中计算准确率
+model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
+# 训练
+history = model.fit(x=train_generator,epochs=epochs,validation_data=test_generator,callbacks=callbacks)
+
+# 保存模型
+# model.save('model/ResNet50(迁移学习)-花朵分类(17).h5')
+
+# 画出训练集准确率曲线图
+plt.plot(np.arange(epochs),history.history['accuracy'],c='b',label='train_accuracy')
+# 画出验证集准确率曲线图
+plt.plot(np.arange(epochs),history.history['val_accuracy'],c='y',label='val_accuracy')
+# 图例
+plt.legend()
+# x坐标描述
+plt.xlabel('epochs')
+# y坐标描述
+plt.ylabel('accuracy')
+# 显示图像
+plt.show()
+
+# 画出训练集loss曲线图
+plt.plot(np.arange(epochs),history.history['loss'],c='b',label='train_loss')
+# 画出验证集loss曲线图
+plt.plot(np.arange(epochs),history.history['val_loss'],c='y',label='val_loss')
+# 图例
+plt.legend()
+# x坐标描述
+plt.xlabel('epochs')
+# y坐标描述
+plt.ylabel('loss')
+# 显示图像
+plt.show()
\ No newline at end of file