Python ValueError:无法将大小为0的数组重塑为形状（224512）-绘制热图以定位图像中的异常

我一直在使用VGG16创建一个模型，可以将图像分为两类，效果非常好。现在我想创建一个函数，通过热图定位异常，如下所示：

不幸的是，这对我不起作用，包含我的测试图像的数组要么大小错误（

ValueError:Error when check input:expected input_1有4个维度，但得到的数组具有形状（1，1，224，224，3）

或

ValueError:检查输入时出错：预期输入\u 1有4个维度，但得到了具有形状（224，224，3）

）的数组，或者它告诉我

ValueError:无法将大小为0的数组重塑为形状（224512）

。在这里您可以看到一个代码片段：

[...]
test_image_generator = ImageDataGenerator(preprocessing_function=preprocess_input)
test_data_gen = test_image_generator.flow_from_directory(batch_size=batch_size,
                                                         directory=test_dir,
                                                         shuffle=False,
                                                         target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                         class_mode='binary')
# create the model/ import vgg16

vgg_conv = vgg16.VGG16(weights='imagenet', include_top=False, input_shape = (224, 224, 3))

# Freeze the layers except the last 4 layers
for layer in vgg_conv.layers[:-8]:
    layer.trainable = False

# Check the trainable status of the individual layers
for layer in vgg_conv.layers:
    print(layer, layer.trainable)

# modify vgg structure

x = vgg_conv.output
x = GlobalAveragePooling2D()(x)
x = Dense(1, activation="sigmoid")(x)

model = Model(vgg_conv.input, x)
model.compile(loss = "binary_crossentropy", optimizer = optimizers.SGD(lr=0.00001, momentum=0.9), metrics=["accuracy"])

model.summary()

[...]

### CREATE FUNCTION TO DRAW ANOMALIES ###

def plot_activation(img):
    pred = model.predict(img[:,:,:,:])
    pred_class = np.argmax(pred)
    weights = model.layers[-1].get_weights()[0]  # weights last classification layer
    class_weights = weights[:, pred_class]

    intermediate = Model(model.input, model.get_layer("block5_conv3").output)
    conv_output = intermediate.predict(img)
    conv_output = np.squeeze(conv_output)

    h = int(img.shape[0] / conv_output.shape[0])
    w = int(img.shape[1] / conv_output.shape[1])

    activation_maps = sp.ndimage.zoom(conv_output, (h, w, 1), order=1)
    out = np.dot(activation_maps.reshape((img.shape[0] * img.shape[1], 512)), class_weights).reshape(img.shape[0],
                                                                                                     img.shape[1])

    plt.imshow(img.astype('float32').reshape(img.shape[0], img.shape[1], 3))
    plt.imshow(out, cmap='jet', alpha=0.35)
    plt.title('Crack' if pred_class == 1 else 'No Crack')

    # return out, pred_class

img_width, img_height = 224, 224
img = image.load_img('/Volumes/test_image.jpg', target_size = (img_width, img_height))
img = image.img_to_array(img)
img = np.expand_dims(img, axis = 0)

plot_activation(img)

使用该代码，我得到以下错误消息：

Traceback (most recent call last):
  File "test.py", line 285, in <module>
    plot_activation(img)
  File "test.py", line 251, in plot_activation
    out = np.dot(activation_maps.reshape((img.shape[0] * img.shape[1], 512)), class_weights).reshape(img.shape[0],
ValueError: cannot reshape array of size 0 into shape (224,512)

---

原始代码有效（我仔细检查）。第一个错误是因为您没有向模型传递形状的图像（1224224,3）。您还需要重复相同的预处理步骤。

activation\u maps=sp.ndimage.zoom（conv\u output，（h，w，1），order=1）

生成了一个

size 0

数组-一个没有任何内容的数组。我会看一下

激活\u maps.shape

及其

dtype

。如果需要，可以通过

conv_output

和

img

追溯它。显然，我在将测试图像传递给函数时犯了几个错误。我已经调整了代码，现在工作正常（请参见编辑）。剩下的唯一问题是，热图的颜色太浓了，你基本上看不到实际图像中留下的任何东西，这对实际检测模型发现的异常情况没有多大帮助。我怎样才能改变它呢？原来的代码是有效的（我反复检查）。第一个错误是因为您没有向模型传递形状的图像（1224224,3）。您还需要重复相同的预处理步骤。

activation\u maps=sp.ndimage.zoom（conv\u output，（h，w，1），order=1）

生成了一个

size 0

数组-一个没有任何内容的数组。我会看一下

激活\u maps.shape

及其

dtype

。如果需要，可以通过

conv_output

和

img

追溯它。显然，我在将测试图像传递给函数时犯了几个错误。我已经调整了代码，现在工作正常（请参见编辑）。剩下的唯一问题是，热图的颜色太浓了，你基本上看不到实际图像中留下的任何东西，这对实际检测模型发现的异常情况没有多大帮助。我怎样才能改变这一点？

### CREATE FUNCTION TO DRAW ANOMALIES ###

def plot_activation(img):
    pred = model.predict(img[np.newaxis,:,:,:])
    # pred_class = np.argmax(pred)
    pred_class = np.argmax(pred, axis=-1)
    weights = model.layers[-1].get_weights()[0]  # weights last classification layer
    class_weights = weights[:, pred_class]

    intermediate = Model(model.input, model.get_layer("block5_conv3").output)
    conv_output = intermediate.predict(img[np.newaxis,:,:,:])
    conv_output = np.squeeze(conv_output)


    h = int(img.shape[0] / conv_output.shape[0])
    w = int(img.shape[1] / conv_output.shape[1])

    activation_maps = sp.ndimage.zoom(conv_output, (h, w, 1), order=1)
    out = np.dot(activation_maps.reshape((img.shape[0] * img.shape[1], 512)), class_weights).reshape(img.shape[0],
                                                                                                     img.shape[1])

    plt.imshow(img.astype('float32').reshape(img.shape[0], img.shape[1], 3))
    plt.imshow(out, cmap='jet', alpha=0.35)
    plt.title('Crack' if pred_class == 1 else 'No Crack')
    plt.show()

    # return out, pred_class

test_images = test_data_gen[0][0][0]

plot_activation(test_images)