Keras CNN使用预测类给出错误预测

我仍然处于keras和CNN的学习模式。我觉得我理解基本要点，但执行起来很困难。我创建了一个用于狗/猫图像数据集的

顺序

分类器。我使用

fit_generator

获得以下内容（此代码在下面）：

1/5纪元
8000/8000[=========================================================================================================1942s 243ms/步长-损耗：0.3658-acc:0.8299-val-损耗：0.6998-val-损耗：0.7785]-预计到达时间：24:40-损耗：0.6010-acc:0.6705
纪元2/5
8000/8000[=====================================================================-1829s 229ms/步长-损耗：0.1266-附件：0.9522-val_损耗：0.9218-val_附件：0.7731
纪元3/5
8000/8000[==================================================================-1806s 226ms/步-损耗：0.0689-附件：0.9759-val_损耗：1.2006-val_附件：0.7813
纪元4/5
8000/8000[===========================================================================1936S242ms/步长-损耗：0.0504-acc:0.9830-val_损耗：1.2396-val_acc:0.7748-预计到达时间：18:07-损耗：0.0548-acc:0.9817
纪元5/5
8000/8000[===========================================================================-2259s 282ms/步长-损耗：0.0393-附件：0.9870-val_损耗：1.3916-val_附件：0.7818

用于产生上述结果的代码：

#导入Keras库和包
导入操作系统
从keras.models导入顺序加载模型
从keras.layers导入Conv2D
从keras.layers导入MaxPoolig2D
从keras.layers导入展平
从keras.layers导入稠密
从keras.preprocessing导入图像
从keras.preprocessing.image导入ImageDataGenerator
#建立分类序列神经网络
分类器=顺序（）
add（Conv2D（32，（3，3），input_shape=（64，64，3），activation='relu'））
add（MaxPoolig2D（池大小=（2,2）））
添加（展平（））
add（稠密（单位=128，激活=relu'））#relu代表校正后的线性单位。它接受实值输入并将其阈值设置为零（将负值替换为零）
#初始化输出层，它应该只包含一个节点
#二元分类。单节点给我们一个猫或狗的二进制输出。
add（稠密（单位=1，激活='sigmoid'））
#编译CNN模型
compile（优化器='adam'，loss='binary\u crossentropy'，metrics=['accurity']）
#创建图像数据生成器---
#执行图像增强，基本上是合成训练数据
列车数据发生器=图像数据发生器（重缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
水平（翻转=真）
test_datagen=ImageDataGenerator（重缩放=1./255）
training\u set=来自目录（“training\u set”）的train\u datagen.flow\u，
目标_大小=（64,64），
批次大小=32，
class_模式='binary'）
#通过使用测试目录从图像中输入生成的数据，为培训创建测试集
test\u set=test\u datagen.flow\u from\u目录（“test\u set”，
目标_大小=（64,64），
批次大小=32，
class_模式='binary'）
#使训练集适合模型
分类器。装配发生器（训练集，
每个历元的步数=8000，
纪元=5，
验证数据=测试集，
验证（步骤=2000）
#保存模型以供进一步使用
save（'classifier_v1.h5'）

从这里开始，我使用

load\u model

函数调用我的分类器，并尝试在5张图片的测试集上预测狗还是猫。无论我做什么，分类器的结果都是1

从keras.models导入负载模型
从keras.preprocessing导入图像
将numpy作为np导入
分类器=负载模型（“分类器1.h5”）
data\u path=r'C:\Users\aneja\Documents\Python Scripts\CNN\Cats Dogs\test\u 2'
image_list=[x代表os.listdir中的x（数据路径），如果x中的.jpg]
#循环以通过测试图像进行测试
对于图像列表中的jpeg：
#加载测试映像
img=image.load\u img（os.path.join（data\u path，jpeg），target\u size=（64,64））
#处理图像以提取numpy数组
y=image.img_到_数组（img）
x=np。展开尺寸（y，轴=0）
#预测！1=狗0=猫
images=np.vstack（[x]）
类=分类器。预测类（图像，批量大小=10）
如果类[0][0]==1：
打印（{}文件预计为狗。格式（jpeg））
elif类[0][0]==0:
print（{}文件被预测为cat.format（jpeg））
其他：
打印（'是的，我做错了'）

---

当使用

predict

代替

predict\u类时，我也得到了相同的结果。我希望我离解决方案不会太远，但我担心我从根本上误解了概念。关于为什么我的分类器似乎总是将类分类为1，有人能提供帮助吗？
以下是一些建议：

首先也是最重要的一点是，检查以确保“每个历元的步骤数=8000”和“验证步骤数=2000”实际上是正确的值。根据我的经验，错误的数字会极大地损害模型的性能。大多数人通过以下方式确保这些值是正确的：
发电机系列样品/发电机系列批量尺寸

第二，增加二维层的数量。通常，一个层不足以用于强模型。如果您发现您的计算机无法快速训练您的模型，那么请使用谷歌Colaboratory，一个免费的GPU和基于云的网站，可以让您做到这一点

第三，增加你的测试规模。5张图片不足以让您自信地评估模型的性能

第四，与S.Mohsen sh所说的不同，如果你发现“预测”只返回“1”，那么这意味着你的模型没有经过适当的训练，所以试试我的fi