Python CNN图像分类：它总是给我同样的预测

我是这个领域的新手，还在学习，如果这被认为是愚蠢的问题，我很抱歉。 所以最近我尝试使用Python和TensorFlow学习图像分类。我看了一些视频教程。但是我的代码中有一些问题，因为当我尝试我的模型时，验证损失往往会增加，而我的验证精度却一直在波动。当我试图预测我的样本图像时，它总是给我同样的预测。我的数据集中的图像总共有730个

下面是我的预测代码：

import cv2
import tensorflow as tf

CATEGORIES = ["Bike", "Car"]
IMAGE_SIZE = 50

def prepare(filepath):
    image_array = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
    image_array = image_array/255.0
    new_image_array = cv2.resize(image_array, (IMAGE_SIZE,IMAGE_SIZE))
    return new_image_array.reshape(-1, IMAGE_SIZE, IMAGE_SIZE, 1)

model = tf.keras.models.load_model("prototype.model")

prediction = model.predict([prepare('car.jpg')])
print( CATEGORIES[int(prediction[0][0])] )

---

非常感谢。

我曾经遇到过类似的问题。由于您需要将图像分类为“自行车”或“汽车”，请尝试将最终输出层更改为

model.add(Dense(2))
model.add(Activation('softmax'))

---

如果仍然不起作用，请尝试

sparse\u categorical\u crossentropy

，因为您的

loss

只运行了3个时代，还是仅仅为了这个问题？嗨，谢谢您的时间。是的，我只运行了3个时代。我不知道这是否会影响我的产出。当我尝试运行它10个时代时，它具有相同的模式，在每3个时代之后，我的验证损失趋于增加，而我的验证准确性则相反。我训练过的模型总共有730张图像。我不确定您的图像的复杂性，而且图像的数量似乎也很低，特别是如果变化很大，如果可能，请添加到数据集的链接。此外，如果它们很复杂，2个conv层可能不够。如果合适的话，问题很可能是超参数。此外，在填写数据arr时，不要将

pass

与

一起使用，除非

，至少记录/打印您的例外情况我的数据集由汽车图像和自行车图像组成。这里是我的数据集的链接：我尝试使用4个conv层，但它始终提供相同的输出。我应该替换通行证吗？这个代码几乎相同，我想它应该可以帮助您解决这个问题：您好，谢谢您的时间。我现在正在使用你的建议，验证损失和验证准确率都在良好的方向上。验证损失越来越小，验证精度越来越高，不再波动。但是我的预测总是给我相同的输出，不管输入的图像是什么。你的预测，准确度和有效性是多少accuracy@bodrov，您是否可以尝试使用

np.argmax（预测[0]，轴=-1）

代替

prediction[0][0]

try

print（类别[np.argmax（预测[0]））

它将为您提供cat@AkashKarnatak您最近对print（CATEGORIES[np.argmax（prediction[0]））的建议帮助我解决了问题。现在它给了我正确的值。非常感谢你的帮助。我真的很感谢你的帮助。同时也感谢PraktikKumar的帮助。我现在感到放心了。