可以使用以下步骤来记录所有识别错误的图片信息，并将它们保存到一个指定的文件夹中：

在程序中引入os和sys包，并创建一个用于保存错误图片的文件夹，如"error_images"。
在测试数据集上进行预测，并将预测结果与真实标签进行比较，找出预测错误的图片。
将错误图片的文件名添加到一个列表中。
将错误图片从原始目录中复制到指定的错误图片文件夹中。
将错误图片的文件名列表保存到文件中，以备后续使用。
以下是实现上述步骤的Python代码：

python

import os
import sys
import numpy as np
from keras.datasets import mnist
from keras.models import load_model
from shutil import copyfile

Load MNIST test data

(x_test, y_test), _ = mnist.load_data()

Reshape data

x_test = np.reshape(x_test, (len(x_test), 28, 28, 1))
x_test = x_test.astype('float32') / 255

Load pre-trained model

model = load_model('mnist_model.h5')

Create directory for error images

if not os.path.exists('error_images'):
os.makedirs('error_images')

List to store error image filenames

error_images = []

Make predictions on test data

predictions = model.predict(x_test)

Iterate over predictions and true labels to find errors

for i, (pred, true) in enumerate(zip(predictions, y_test)):
# Find index of predicted label
pred_label = np.argmax(pred)

# If prediction is incorrect, save image and add filename to list
if pred_label != true:
    # Save image to error_images directory
    filename = f"error_image_{i}.png"
    copyfile(f"test_images/image_{i}.png", f"error_images/{filename}")
    error_images.append(filename)

Save list of error image filenames to file

with open("error_image_filenames.txt", "w") as f:
f.write('\n'.join(error_images))
在上面的代码中，我们首先加载MNIST测试数据集并将其转换为模型输入格式。然后，我们加载预训练模型并创建一个目录来存储所有的错误图片。接下来，我们通过模型对测试数据集进行预测，并将每个预测结果与真实标签进行比较以找出错误的预测。当找到错误的预测时，我们将该图片从原始目录中复制到错误图片文件夹中，并将该文件名添加到错误图片列表中。最后，我们将所有错误图片的文件名保存到一个文件中，以备后续使用。