keras 的 model.predict 总是返回相同的结果

Question

我正在为 mnist 数据集尝试 CNN 模型。训练模型后，它通过 model.evaluate 给出 99% 的测试准确率。但是当我尝试预测一张图像的答案时，它总是在我调用 model.predict() 时返回相同的数组。

规范化数据：

train_images = mnist_train_images.reshape(mnist_train_images.shape[0], 28, 28, 1)

test_images = mnist_test_images.reshape(mnist_test_images.shape[0], 28, 28, 1)

input_shape = (28, 28, 1)

    

train_images = train_images.astype('float32')

test_images = test_images.astype('float32')

train_images /= 255

test_images /= 255

#converting labels to one hot encoded format

train_labels = tensorflow.keras.utils.to_categorical(mnist_train_labels, 10)

test_labels = tensorflow.keras.utils.to_categorical(mnist_test_labels, 10)

模型结构和模型训练：

model = Sequential()

model.add(Conv2D(32, kernel_size=(3, 3),

                 activation='relu',

                 input_shape=input_shape))

# 64 3x3 kernels

model.add(Conv2D(64, (3, 3), activation='relu'))

# Reduce by taking the max of each 2x2 block

model.add(MaxPooling2D(pool_size=(2, 2)))

# Dropout to avoid overfitting

model.add(Dropout(0.25))

# Flatten the results to one dimension for passing into our final layer

model.add(Flatten())

# A hidden layer to learn with

model.add(Dense(128, activation='relu'))

# Another dropout

model.add(Dropout(0.5))

# Final categorization from 0-9 with softmax

model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',

              optimizer='adam',

              metrics=['accuracy'])

with tensorflow.device('/device:GPU:0'):

  model.fit(train_images, train_labels,

                    batch_size=128,

                    epochs=7,

                    verbose=2,

                    validation_data=(test_images, test_labels))

这每次总是给出相同的 pred_array，当然是错误的。我尝试了类似问题的答案。例如，尝试增加时代，也有一个答案说要做

尝试了一切，但似乎无济于事。也许，我对图像的规范化是错误的，或者我可能犯了一些愚蠢的错误，因为我是处理图像和使用 CNN 的新手。请帮忙

Answer 1

我只是复制了代码，一切正常。我希望您没有从规范化的 train_images 加载测试图像，因为其中的图像已经规范化并且您在预测之前再次对其进行规范化。以下工作对我来说是预期的：image = train_images[14]image = image.astype('float32')image = image.reshape(-1,28, 28,1)image/=255pred_array = model.predict(image)print(pred_array)pred_array = np.argmax(pred_array)print('Result: {0}'.format(pred_array))  编辑： 我在复制您的代码时做了一些不同的事情。我将标准化图像保存在不同的 Numpy 数组中，如下所示：train_images_norm = train_images.astype('float32')test_images_norm = test_images.astype('float32')train_images_norm /= 255test_images_norm /= 255...model.fit(train_images_norm, train_labels_norm,...)所以现在，当我预测时，我使用原始图像（未标准化）并在预测之前对其进行标准化。您得到不可预测结果的原因是您将已经规范化的图像再次除以 255，这会创建完全不同的数字，网络未使用这些数字进行训练。您有两种选择，要么将原始图像保存在不同的数组中并在预测之前对其进行归一化（我的代码），要么如果您希望原始代码起作用，您可以在预测之前删除image = image.astype('float32')和image /= 255。