model.predict(),model.predict_classes() 和 model.predict_on_batch() 似乎没有产生任何结果

Question

我创建了一个模型，该模型利用深度学习使用 CNN 对输入数据进行分类。虽然分类是多类的，但实际上有 5 个类。在训练模型似乎很好，即它不会过拟合或欠拟合。然而，在保存和加载模型时，无论输入图像如何，我总是得到相同的输出。最终的预测数组包含所有类的输出为 0。

所以，我不确定该模型是否没有预测任何东西，或者它总是产生相同的结果。

我使用tensorboard找到最佳拟合模型后创建的模型如下。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten, Conv2D, MaxPooling2D
from tensorflow.keras.callbacks import TensorBoard
import pickle
import time

X=pickle.load(open("X.pickle","rb"))
y=pickle.load(open("y.pickle","rb"))

X=X/255.0

dense_layers=[0]
layer_sizes=[64]
conv_layers=[3]


for dense_layer in dense_layers:
    for layer_size in layer_sizes:
        for conv_layer in conv_layers:
            NAME="{}-conv-{}-nodes-{}-dense-{}".format(conv_layer,layer_size,dense_layer,int(time.time()))
            print(NAME)

            tensorboard=TensorBoard(log_dir='logs\{}'.format(NAME))

            model = Sequential()

            model.add(Conv2D(layer_size, (3,3), input_shape=X.shape[1:]))
            model.add(Activation('relu'))
            model.add(MaxPooling2D(pool_size=(2,2)))

            for l in range(conv_layer-1):
                model.add(Conv2D(layer_size, (3,3)))
                model.add(Activation('relu'))
                model.add(MaxPooling2D(pool_size=(2,2)))

            model.add(Flatten())

            for l in range(dense_layer):
                model.add(Dense(layer_size))
                model.add(Activation('relu'))

            model.add(Dense(5))
            model.add(Activation('sigmoid'))

            model.compile(loss='sparse_categorical_crossentropy',
                         optimizer='adam',
                         metrics=['accuracy'])

            model.fit(X,y,batch_size=32,epochs=10,validation_split=0.3,callbacks=[tensorboard])

model.save('0x64x3-CNN-latest.model')

加载模型sn-p如下，

import cv2
import tensorflow as tf

CATEGORIES= ["fifty","hundred","ten","thousand","twenty"]

def prepare(filepath):
    IMG_SIZE=100
    img_array=cv2.imread(filepath)
    new_array=cv2.resize(img_array,(IMG_SIZE,IMG_SIZE))
    return new_array.reshape(-1,IMG_SIZE,IMG_SIZE,3)

model=tf.keras.models.load_model("0x64x3-CNN-latest.model")

prediction=model.predict([prepare('30.jpg')])

print(prediction)

输出总是[[0. 0. 0. 0. 0.]]。

转换为类别时，结果总是五十个。

我的数据集包含近 2200 张图片，每个类别平均有 350-500 张图片。

有人可以帮忙解决这个问题吗？

Answer 1

我看到当你训练时，你会标准化你的图像：

X = X/255.0

但是当您进行测试时，即在预测时间内，您只需读取图像并调整大小而不是标准化。试试：

def prepare(filepath):
    IMG_SIZE=100
    img_array=cv2.imread(filepath)
    img_array = img_array/255.0
    new_array=cv2.resize(img_array,(IMG_SIZE,IMG_SIZE))
    return new_array.reshape(-1,IMG_SIZE,IMG_SIZE,3)

而且，您的 prepare 函数会返回 4 个维度的图像（包括批处理维度），因此当您调用 predict 时，您不必将输入作为列表提供。而不是：

prediction=model.predict([prepare('30.jpg')])

你应该这样做：

prediction=model.predict(prepare('30.jpg'))

希望对你有帮助。