Machine learning 模型训练后的Keras预测

我训练了一个Keras模型，并将模型和权重保存到两个单独的文件中。我的培训数据和验证数据分为两类，如下所示：

training\u数据/
肯定的/
消极的
验证数据/
肯定的/
否定的/

两个培训数据目录各包含900k个样本，验证数据目录各包含20k个样本。所有样品均为43x43px

我的模型和学习过程定义如下：

def get_模型（img_宽度、img_高度）：
模型=顺序（）
添加（Conv2D（32，（3，3），输入形状=（img\u宽度，img\u高度，3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（Conv2D（32，（3,3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（Conv2D（64，（3,3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（展平（））
模型.添加（密度（64））
添加（激活（'relu'））
模型。添加（辍学率（0.5））
模型.添加（密度（1））
添加（激活（'sigmoid'））
回归模型
模型=获取模型（43,43）
model.compile（loss='binary\u crossentropy'，optimizer='rmsprop'，
指标=[‘准确度’]）
列车\数据发生器=图像数据发生器(
重新缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
旋转范围=20，
宽度\偏移\范围=0.2，
高度\移动\范围=0.2）
test_datagen=ImageDataGenerator（重缩放=1./255）
train_generator=来自目录的train_datagen.flow_(
列车数据目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='binary'）
验证\u生成器=来自\u目录的测试\u datagen.flow\u(
验证\u数据\u目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='binary'）
历史=model.fit\u生成器(
列车发电机，
每个历元的步数=nb\U序列样本//批量大小，
时代，
验证数据=验证生成器，
验证\u步骤=nb\u验证\u样本//批次大小）
model.save（os.path.join（'model.h5'））
model.save_权重（os.path.join（'weights.h5'））
保存模型信息（参数）

20个时代、1024个批次、1800.000个培训样本和40000个验证样本的培训过程耗时约5小时。

history

对象在这里，因为我还保存了准确性和学习图

现在，我正试图让这个模型预测在给定的测试样本中，哪一个经过训练的二类存在。因此，我创建模型，加载权重并尝试运行预测

model=get_model（43,43）
model.load\u权重（args.weights\u文件）
model.compile（loss='binary\u crossentropy'，optimizer='rmsprop'，
指标=[‘准确度’]）
结果=[]
files=os.listdir（输入目录）
对于文件中的文件：
image=load\u img（文件）
image=np.asarray（图像）
图像=np。展开尺寸（图像，轴=0）
result.append（model.predict（图像））
打印（结果）

它正在工作，但不是我想要的方式。输出如下：

[array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32），array（[[0]]，dtype=float32]），dtype=float32），array（[[0]]，数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]，dtype=float32），数组（[[0.]([[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]，数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32]），dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float32），数组（[[0.]]，dtype=float
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2)

for file in files:
    image = load_img(file)
    image = np.asarray(image)
    image = np.expand_dims(image, axis=0)
    result.append(model.predict(image))

image = np.expand_dims(image, axis=0)

img = np.expand_dims(img / 255, axis=0)

model = get_model(43, 43)
model.load_weights(args.weights_file)
model.compile(loss='binary_crossentropy', optimizer='rmsprop',
          metrics=['accuracy'])

model = load_model(args.model_file)