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

Question

我已经创建了一个模型，它利用深度学习来使用CNN对输入数据进行分类。但分类是多类的，实际上有5个类。在训练中，模型看起来很好，也就是说，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。

因此，我不确定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所示。

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')

加载模型片段如下所示：

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)

输出始终为[[0. 0. 0. 0. 0.]]。

在转换为类别时，它总是得到50。

我的数据集包含近2200张图片，每个类平均有350-500张图片。

有人能帮个忙吗..？

Answer 1

我看到当你训练的时候，你会标准化你的图像：

X = X/255.0

但当你测试时，即在预测时间内，你只是读取图像并调整大小，而不是归一化。尝试：

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)

此外，您的prepare函数返回4个维度(包括批次维度)的图像，因此当您调用predict时，您不必以列表形式提供输入。而不是：

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

您应该执行以下操作：

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

希望能有所帮助。