Python Keras中的神经网络预测概率总是等于1

我正在学习ML，MNIST集合上的神经网络，我有预测概率函数的问题。我想接收模型预测的概率，但当我调用函数predict_proba时，我总是接收像[0,0,1,0,0，…]这样的数组，这意味着模型总是以100%的概率进行预测

你能告诉我我的模型出了什么问题，为什么会发生这种情况，以及如何修复它吗

我的模型看起来像：

#加载MNIST数据集并拆分为训练集和测试集
（列车图像，列车标签），（测试图像，测试标签）=mnist.load\u data（）
#重塑CNN期望的格式（批次、高度、宽度、通道）
train_images=train_images.Reformate（train_images.shape[0]，train_images.shape[1]，train_images.shape[2]，1）.aType(
“浮动32”）
test_images=test_images.reformate（test_images.shape[0]，test_images.shape[1]，test_images.shape[2]，1）。astype（“float32”）
#将图像从0-255规格化为0-1
列车图像/=255
测试图像/=255
#使用一个热编码来设置类
类的数量=10
列车标签=keras.utils.to\u分类（列车标签、列车类别数量）
test\u labels=keras.utils.to\u category（test\u labels，类的数量）
#创建模型，添加图层
模型=顺序（）
model.add（Conv2D（32，（5，5），input_shape=（train_images.shape[1]，train_images.shape[2]，1），activation=“relu”））
add（MaxPooling2D（池大小=（2,2）））
添加（Conv2D（32，（3,3），activation=“relu”））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.5））
model.add（展平（））
添加（密集（128，activation=“relu”））
模型。添加（辍学率（0.5））
model.add（密集（类的数量，activation=“softmax”））
#编译模型
compile（loss=“categorical\u crossentropy”，optimizer=Adam（），metrics=[“accurity”]）
#学习模型
model.fit（序列图像、序列标签、验证数据=（测试图像、测试标签）、年代=7、批次大小=200）
#试验获得的模型
分数=模型。评估（测试图像、测试标签、详细度=0）
打印（“模型损失={}”。格式（分数[0]））
打印（“模型精度={}”。格式（分数[1]））
#保存模型
model\u filename=“cnn\u model.h5”
model.save（model\u文件名）
打印（“CNN模型保存在文件：{}”。格式（模型\文件名））

对于加载图像，我使用PIL和NP。 我使用keras中的save函数保存模型，并使用keras.models中的load_model将其加载到另一个脚本中，然后我只需调用

def load_image_for_cnn（文件名）：
img=Image.open（filename.convert（“L”）
img=np.resize（img，（28,28,1））
im2arr=np.数组（img）
返回im2arr.整形（1,28,28,1）
def加载模式（自）：
返回负荷模型（“cnn模型h5”）
def预测概率（自我、图像）：
返回自我。模型。预测概率（图像）[0]

使用它看起来像：

predictor.predict_概率（predictor.load_image_for_cnn（文件名））

查看代码的这一部分：

# Normalize images from 0-255 to 0-1
train_images /= 255
test_images /= 255

加载新图像时，您没有执行此操作：

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    return im2arr.reshape(1, 28, 28, 1)

应用与训练集相同的标准化是测试任何新图像的要求，如果不这样做，就会得到奇怪的结果。您只需按如下方式规范化图像像素：

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    im2arr = im2arr / 255.0
    return im2arr.reshape(1, 28, 28, 1)

---

查看代码的这一部分：

# Normalize images from 0-255 to 0-1
train_images /= 255
test_images /= 255

加载新图像时，您没有执行此操作：

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    return im2arr.reshape(1, 28, 28, 1)

应用与训练集相同的标准化是测试任何新图像的要求，如果不这样做，就会得到奇怪的结果。您只需按如下方式规范化图像像素：

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    im2arr = im2arr / 255.0
    return im2arr.reshape(1, 28, 28, 1)

---

预测概率的电话在哪里？它不在你包含的代码中。请将其包含在您的问题中。我忘记了，补充道。这不仅仅是一行，告诉我们图像是如何加载的，这非常重要。我曾写道，我正在使用keras.models中的load_model函数，但我添加了它的外观（保存和加载）。我正在讨论如何加载和传递输入图像以预测_proba，不是模型的加载方式。预测概率的调用在哪里？它不在你包含的代码中。请将其包含在您的问题中。我忘记了，补充道。这不仅仅是一行，告诉我们图像是如何加载的，这非常重要。我曾写道，我正在使用keras.models中的load_model函数，但我添加了它的外观（保存和加载）。我正在讨论如何加载和传递输入图像以预测_proba，而不是如何加载模型。