在Python中，使用CNN（卷积神经网络）训练完模型后，可以通过以下步骤进行预测：

1、导入所需库

2、加载预训练模型

3、预处理输入数据

4、将输入数据传入模型进行预测

5、解析预测结果

下面是详细的步骤和代码示例：

1. 导入所需库

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

2. 加载预训练模型

model = load_model('your_model.h5')  # 请替换为你的模型文件路径

3. 预处理输入数据

img_path = 'your_image.jpg'  # 请替换为你要预测的图片路径
img = image.load_img(img_path, target_size=(224, 224))  # 调整图片大小以匹配模型的输入尺寸
x = image.img_to_array(img)  # 将图片转换为数组
x = np.expand_dims(x, axis=0)  # 增加一个维度以匹配模型的输入形状
x = x / 255.0  # 归一化像素值到[0, 1]范围

4. 将输入数据传入模型进行预测

predictions = model.predict(x)  # 获取预测结果

5. 解析预测结果

根据模型的输出层结构，解析预测结果
如果模型有10个输出类别，可以使用以下代码：
predicted_class = np.argmax(predictions[0])
print("预测类别：", predicted_class)

注意：以上代码示例假设你已经有一个训练好的CNN模型（your_model.h5），并且要预测的图片（your_image.jpg）已经准备好，你需要根据实际情况修改这些文件路径。