Deep learning Keras：单个图像的模型预测

我想用Keras预测一张图像。我已经训练了我的模型，所以我只是加载重量

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
import numpy as np
import cv2

# dimensions of our images.
img_width, img_height = 150, 150



def create_model():
  if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
  else:
    input_shape = (img_width, img_height, 3)

  model = Sequential()
  model.add(Conv2D(32, (3, 3), input_shape=input_shape))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))

  model.add(Conv2D(32, (3, 3)))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))

  model.add(Conv2D(64, (3, 3)))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))

  model.add(Flatten())
  model.add(Dense(64))
  model.add(Activation('relu'))
  model.add(Dropout(0.5))
  model.add(Dense(1))
  model.add(Activation('sigmoid'))

  return model


img = cv2.imread('./test1/1.jpg')
model = create_model()
model.load_weights('./weight.h5')
model.predict(img)

我正在使用以下方式加载图像：

img = cv2.imread('./test1/1.jpg')

并使用模型的预测功能：

 model.predict(img)

但我得到了一个错误：

ValueError: Error when checking : expected conv2d_1_input to have 4 dimensions, but got array with shape (499, 381, 3)

---

如何对单个图像进行预测？

由于您在小批量上训练了模型，因此您的输入是形状张量

[批量大小、图像宽度、图像高度、通道数]

预测时，即使只有一张图像，也必须尊重此形状。您的输入应为以下形状：

[1，图像宽度、图像高度、通道数]

你可以在numpy轻松地完成这项工作。假设您有一个5x5x3图像：

    >>> x = np.random.randint(0,10,(5,5,3))
    >>> x.shape
    >>> (5, 5, 3)
    >>> x = np.expand_dims(x, axis=0)
    >>> x.shape
    >>> (1, 5, 5, 3)

现在x是一个4阶张量

试试看：

 model.predict(img[None,...])

---

即使这并不能解决您的错误，如果您之前已经这样做了，请确保并重新缩放您的图像。例如，我的训练生成器如下所示：

train_datagen = ImageDataGenerator(
   rotation_range=40,
   zoom_range=[0.7, 0.9],
   horizontal_flip=True,
   rescale=1./255
)

所以当我去预测一幅图像时：

from PIL import Image
import numpy as np
from skimage import transform
def load(filename):
   np_image = Image.open(filename)
   np_image = np.array(np_image).astype('float32')/255
   np_image = transform.resize(np_image, (256, 256, 3))
   np_image = np.expand_dims(np_image, axis=0)
   return np_image

 image = load('my_file.jpg')
 model.predict(image)

---

我还必须将其重新缩放255。

您可以加载具有所需宽度和高度的图像，将其转换为形状为

（图像宽度、图像高度、通道数量）

的numpy数组，然后将数组形状更改为

（1、图像宽度、图像高度、通道数量）

。（批量大小=1）

---

谢谢你的回答。但是，在您的情况下，包含图像的img变量应该在哪里？假设我的变量

x

是图像。我可能应该写

x=cv2.imread（'image.jpg'）

。函数cv2.imread（）返回一个numpy数组。因此，在您的例子中，

img

是一个numpy数组，我的

x

变量也是一个numpy数组。另一种方法是

x=x.restrape（（1，）+x.shape）

。也。可用于转换回秩3张量。还请记住，如果使用ImageDataGenerator加载和训练数据，则可能使用了rescale=1./255。确保添加np.expand_dims（image，axis=0）/255（如果您使用该选项的话）…仅在数组中嵌套也能为我带来好处：

x=np.array（[x]）

，在这种情况下，这对我来说更直观。数据格式化应该在预处理阶段完成，而不是在模型调用中。这是一个有效的答案。奇怪的是这家伙被否决了。是因为他没有解释吗

model.predict（img[None]）

也可以工作。它比

np.expand_dims（）

stuff.要短得多。同意，对这个答案投了赞成票@不要气馁。你的回答很有帮助。请提供一行解释，这对其他人会更有帮助。谢谢，这对我有用。为了使用skimage，我将

scikit image==0.15.0

添加到requirement.txt包中

import numpy as np
from keras.preprocessing import image

img_width, img_height = 150, 150
img = image.load_img('image_path/image_name.jpg', target_size = (img_width, img_height))
img = image.img_to_array(img)
img = np.expand_dims(img, axis = 0)

model.predict(img)

single_test = model.predict(np.expand_dims(X_test[i], axis=0))