TensorFlow 预测始终为零答案

【问题标题】：Tensorflow Prediction always zeroTensorFlow 预测始终为零
【发布时间】：2021-04-12 12:45:04
【问题描述】：

我是 TensorFlow 新手。我使用convNetKerasLarge.py 生成模型并保存为 tflite 模型。

我正在尝试如下测试这个保存的模型

import tensorflow as tf
import numpy as np
import glob
from skimage.transform import resize
from skimage import io

# out of previously used training and test set
start = 4001
# no of images
row_count = 1
end = start + row_count

n_image_rows = 106
n_image_cols = 106

np_val_images = np.zeros(shape=(1, 1))
np_val_labels = np.zeros(shape=(1, 1))


def prepare_validation_set():
    global np_val_images
    global np_val_labels

    positive_samples = glob.glob('datasets/drunk_resize_frontal_faces/pos/*')[start:end]
    # negative_samples = glob.glob('datasets/drunk_resize_frontal_faces/neg/*')[start:end]
    # negative_samples = random.sample(negative_samples, len(positive_samples))

    val_images = []
    val_labels = []

    for i in range(len(positive_samples)):
        val_images.append(resize(io.imread(positive_samples[i]), (n_image_rows, n_image_cols)))
        val_labels.append(1)
    # for i in range(len(negative_samples)):
    #    val_images.append(resize(io.imread(negative_samples[i]), (n_image_rows, n_image_cols)))
    #    val_labels.append(0)
    np_val_images = np.array(val_images)
    np_val_labels = np.array(val_labels)


def run_tflite_model(tflite_file, index):

    prepare_validation_set()

    # Initialize the interpreter
    interpreter = tf.lite.Interpreter(model_path=str(tflite_file))
    interpreter.allocate_tensors()

    input_details = interpreter.get_input_details()[0]
    output_details = interpreter.get_output_details()[0]

    test_image = np_val_images[index]

    test_image = np.expand_dims(test_image, axis=0).astype(input_details["dtype"])
    interpreter.set_tensor(input_details["index"], test_image)
    interpreter.invoke()
    output = interpreter.get_tensor(output_details["index"])[0]
    print(output_details)

    prediction = output.argmax()
    print(prediction)


if __name__ == '__main__':

    test_image_index = 1
    tflite_model_file = "models/converted/model.tflite"
    run_tflite_model(tflite_model_file, 0)

如果我运行这个，我得到的预测为0，即使标签应该是1，因为我输入的是正面图像。（仅供参考：Test loss: 0.08881912380456924 Test accuracy: 0.9729166626930237 有 10 个时期）。我确信我的代码中存在导致此问题的错误，请帮助我找到它。

【问题讨论】：

您需要标准化您的图像（减去均值并除以标准差）。实际上，您为模型图像提供的功能与您在训练期间使用的功能完全不同。
@Lescurel 目录中的所有图像均已标准化。如果您查看convNetKerasLarge.py 和prepare_validation_set 代码似乎相似，所以功能集不能不同，如果不是请解释。
来自您链接的脚本：X_train[:,:,:,i] = (X_train[:,:,:,i]- mean[i]) / std[i]。您没有在数据准备功能中这样做。
@Lescurel 你能否发布一个相应的修复prepare_validation_set的答案

标签： python tensorflow tensorflow2.0 tensorflow-lite

【解决方案1】：

您链接的脚本在训练前通过减去平均值（此处为 0.5）并除以标准差（此处为 1）对数据进行归一化：

mean = np.array([0.5,0.5,0.5])
std = np.array([1,1,1])
X_train = X_train.astype('float')
X_test = X_test.astype('float')
for i in range(3):
    X_train[:,:,:,i] = (X_train[:,:,:,i]- mean[i]) / std[i]
    X_test[:,:,:,i] = (X_test[:,:,:,i]- mean[i]) / std[i]

如果您在对模型进行预测之前不重复相同的操作，则您传递给模型的输入将不会具有与您训练时相同的特征。

您可以通过在准备数据时减去图像的平均值 (0.5) 来修复它，即：

    np_val_images = np.array(val_images) - 0.5

【讨论】：