Question

我正在尝试mnist数据集的CNN模型。训练模型后，通过model.evaluate可以提供99％的测试准确性。但是当我尝试预测一张图像的答案时，当我调用model.predict（）时，它总是返回相同的数组。

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))

现在，我有一个黑白（28,28）图像的数字（实际上，它是来自mnist训练数据本身的数字）。在标准化该图像后尝试进行预测：

image = image.reshape(-1,28, 28,1)
image = image.astype('float32')
image/=255

pred_array = model.predict(image)
print(pred_array)
pred_array = np.argmax(pred_array)
print('Result: {0}'.format(pred_array))

这总是每次都给出相同的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，还有一个答案说要做

from keras.layers.core import Dense, Dropout, Flatten
from keras.layers.convolutional import Conv2D,MaxPooling2D

代替

from keras.layers import Dense, Dropout, Flatten, Conv2D,MaxPooling2D

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，或者因为我刚开始使用图像和使用CNN，所以可能犯了一些愚蠢的错误。请帮助

Answer 1

我刚刚复制了代码，一切正常。我希望您不要从归一化的train_images加载测试图像，因为其中的图像已经被归一化了，您可以在预测之前再次对其进行归一化。以下作品符合我的预期：

image = train_images[14]
image = image.astype('float32')
image = image.reshape(-1,28, 28,1)
image/=255
pred_array = model.predict(image)
print(pred_array)
pred_array = np.argmax(pred_array)
print('Result: {0}'.format(pred_array))

编辑： 复制您的代码时，我做了一些不同的事情。我将标准化图像保留在不同的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 /= 255
test_images_norm /= 255
...
model.fit(train_images_norm, train_labels_norm,...)

所以现在，当我预测时，我会使用原始图像（未标准化）的图像，并在预测之前对其进行标准化。出现无法预测的结果的原因是，您将已经归一化的图像再次除以255，从而创建了完全不同的编号，网络无法使用该编号进行训练。您有两种选择，要么将原始图像保留在不同的数组中，然后在预测之前对其进行归一化（我的代码），或者如果您希望原始代码正常工作，则可以在预测之前删除image = image.astype('float32')和image /= 255。

来自keras的model.predict总是返回相同的结果

1 个答案: