Python 在预测单个图像时，Keras模型特征输出为全零

对于一个项目，我正在提取图像的特征，但遇到了一个问题。在efficientnet上使用迁移学习后，我加载模型，移除最后两层（dropout和softmax），然后使用model.predict获得特征数组。这在成批工作时效果很好，但在使用单个图像时会中断。以下是我的单幅图像代码：

model = load_model('best_model.h5')
model = Model(inputs=model.input,outputs=model.layers[-3].output)

model.summary()

#img_path = 'test_img_new/大葱/20113.jpg'
img_path = '1359.jpg'

img = image.load_img(img_path, target_size=(260,260,3))
x = image.img_to_array(img)
x = preprocess_input_E(x)
x = np.array(x,dtype=np.float32)
#x = x/255
x = np.expand_dims(x, axis=0)


res = model.predict(x,batch_size=1)

print(res.tolist())

输出结果是：

[[0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]]

---

有人有什么建议吗？

在浏览stackoverflow和github很长时间后，我找到了解决方案

结果表明，批处理规范化在推理过程中没有正确执行。根据，批次标准化层应使用移动平均值和训练的标准偏差。然而，现在发生这种情况是因为在培训期间，我手动设置了

trainable=True

。解决方案是再次加载模型，然后指定将层设置为

trainable=False

for layer in model.layers:
    if "BatchNormalization" in layer.__class__.__name__:
        layer.trainable=False
        print(layer.weights)

然后，直接保存和使用模型。这似乎不需要编译就可以生效，这可能是一个bug，应该在将来进行调查

---

注意：这似乎适用于tensorflow 2.3，但不适用于2.1。这可能是由于模型正在TF2.3上进行训练，但我不确定其推理。

请定义

preprocess\u input\u E

？当您没有为

模型指定
batch\u size
参数时，输出是什么。predict（）

function？@m.Innat preprocess是efficientnet的预处理函数。它现在是多余的，因为喀拉拉在模型中实现了它。@Kishore它是一个接近全零的数组，但不是零。无论如何，这是不对的。奇怪的是，当我使用一批64幅图像运行模型时，它工作得很好。那你为什么要使用它呢？