Python 来自keras的model.predict总是返回相同的结果

我正在尝试mnist数据集的CNN模型。训练模型后，模型的测试准确率达到99%。 但是，当我尝试预测一幅图像的答案时，调用model.predict（）时，它总是返回相同的数组

数据正常化：

train_images = mnist_train_images.reshape(mnist_train_images.shape[0], 28, 28, 1)
test_images = mnist_test_images.reshape(mnist_test_images.shape[0], 28, 28, 1)
input_shape = (28, 28, 1)
    
train_images = train_images.astype('float32')
test_images = test_images.astype('float32')
train_images /= 255
test_images /= 255

#converting labels to one hot encoded format
train_labels = tensorflow.keras.utils.to_categorical(mnist_train_labels, 10)
test_labels = tensorflow.keras.utils.to_categorical(mnist_test_labels, 10)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
# 64 3x3 kernels
model.add(Conv2D(64, (3, 3), activation='relu'))
# Reduce by taking the max of each 2x2 block
model.add(MaxPooling2D(pool_size=(2, 2)))
# Dropout to avoid overfitting
model.add(Dropout(0.25))
# Flatten the results to one dimension for passing into our final layer
model.add(Flatten())
# A hidden layer to learn with
model.add(Dense(128, activation='relu'))
# Another dropout
model.add(Dropout(0.5))
# Final categorization from 0-9 with softmax
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
with tensorflow.device('/device:GPU:0'):
  model.fit(train_images, train_labels,
                    batch_size=128,
                    epochs=7,
                    verbose=2,
                    validation_data=(test_images, test_labels))

模型结构和模型培训：

train_images = mnist_train_images.reshape(mnist_train_images.shape[0], 28, 28, 1)
test_images = mnist_test_images.reshape(mnist_test_images.shape[0], 28, 28, 1)
input_shape = (28, 28, 1)
    
train_images = train_images.astype('float32')
test_images = test_images.astype('float32')
train_images /= 255
test_images /= 255

#converting labels to one hot encoded format
train_labels = tensorflow.keras.utils.to_categorical(mnist_train_labels, 10)
test_labels = tensorflow.keras.utils.to_categorical(mnist_test_labels, 10)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
# 64 3x3 kernels
model.add(Conv2D(64, (3, 3), activation='relu'))
# Reduce by taking the max of each 2x2 block
model.add(MaxPooling2D(pool_size=(2, 2)))
# Dropout to avoid overfitting
model.add(Dropout(0.25))
# Flatten the results to one dimension for passing into our final layer
model.add(Flatten())
# A hidden layer to learn with
model.add(Dense(128, activation='relu'))
# Another dropout
model.add(Dropout(0.5))
# Final categorization from 0-9 with softmax
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
with tensorflow.device('/device:GPU:0'):
  model.fit(train_images, train_labels,
                    batch_size=128,
                    epochs=7,
                    verbose=2,
                    validation_data=(test_images, test_labels))

现在，我有一个数字的黑白（28,28）图像（实际上，它是mnist训练数据本身的一个数字）。尝试在对该图像进行规格化后预测：

image = image.reshape(-1,28, 28,1)
image = image.astype('float32')
image/=255

pred_array = model.predict(image)
print(pred_array)
pred_array = np.argmax(pred_array)
print('Result: {0}'.format(pred_array))

每次都会给出相同的pred_数组，当然这是错误的。 我试着回答类似的问题。例如，尝试增加年代， 还有一个回答说要做什么

from keras.layers.core import Dense, Dropout, Flatten
from keras.layers.convolutional import Conv2D,MaxPooling2D

而不是

from keras.layers import Dense, Dropout, Flatten, Conv2D,MaxPooling2D

---

尝试了一切，但似乎没有任何帮助。也许，我对图像的正常化是错误的，或者我可能犯了一些愚蠢的错误，因为我刚刚接触图像和CNN。请帮助

我刚刚复制了代码，一切正常。我希望您没有从标准化的train_图像加载测试图像，因为其中的图像已经标准化，您在预测之前再次对其进行标准化。以下是我期望的工作：

image=列车图像[14]
image=image.astype（'float32'）
图像=图像。重塑（-1,28,28,1）
图像/=255
pred_数组=model.predict（图）
打印（pred_数组）
pred_数组=np.argmax（pred_数组）
打印（'Result:{0}'。格式（pred_数组））

编辑： 我在复制你的代码时做了一些不同的事情。我将标准化图像保存在不同的Numpy数组中，如下所示：

train\u images\u norm=train\u images.astype（'float32'））
test\u images\u norm=test\u images.astype（'float32'））
列车图像\u标准/=255
测试图像\u范数/=255
...
模型拟合（序列图像、序列标签、序列标准等）

---

所以现在，当我预测时，我使用原始图像（不是标准化的）并在预测之前对它们进行标准化。您得到不可预测结果的原因是，您正在将已规范化的图像再次除以255，这将创建网络未使用的完全不同的数字。您有两种选择，要么将原始图像保留在不同的数组中，并在预测之前对其进行规格化（我的代码），要么如果希望原始代码正常工作，您可以在预测之前删除

image=image.astype（'float32'）

和

image/=255

。

我刚刚复制了代码，一切正常。我希望您没有从标准化的train_图像加载测试图像，因为其中的图像已经标准化，您在预测之前再次对其进行标准化。以下是我期望的工作：

image=列车图像[14]
image=image.astype（'float32'）
图像=图像。重塑（-1,28,28,1）
图像/=255
pred_数组=model.predict（图）
打印（pred_数组）
pred_数组=np.argmax（pred_数组）
打印（'Result:{0}'。格式（pred_数组））

编辑： 我在复制你的代码时做了一些不同的事情。我将标准化图像保存在不同的Numpy数组中，如下所示：

train\u images\u norm=train\u images.astype（'float32'））
test\u images\u norm=test\u images.astype（'float32'））
列车图像\u标准/=255
测试图像\u范数/=255
...
模型拟合（序列图像、序列标签、序列标准等）

---

所以现在，当我预测时，我使用原始图像（不是标准化的）并在预测之前对它们进行标准化。您得到不可预测结果的原因是，您正在将已规范化的图像再次除以255，这将创建网络未使用的完全不同的数字。您有两种选择，要么将原始图像保留在不同的数组中，并在预测之前对其进行规范化（我的代码），要么如果您希望原始代码正常工作，您可以在预测之前删除

image=image.astype（'float32'）

和

image/=255

。

我不认为重新发布代码并说“适合我”应该有资格作为答案。最好留下评论。我不会标记它，但它可能应该改为注释。用户提供的代码工作正常。给出了用户预测方法可能存在的问题，代码没有重新发布，而是按照用户期望的实际工作的修改版本。虽然diffidence是一行代码，但这很可能是用户弄错的，因为他/她没有提供图像值的加载方式。@NimaAghli您在代码中也使用了train_图像。通过标准化，我指的是转换为float32，重塑，除以255，你们也都这么做了。我得到这个输出：[0.09712957 0.12846719 0.10435061 0.09085704 0.09937355 0.09544346 0.09477601 0.10677139 0.08749077 0.09534037]]结果：1对于不同的图像，当我复制我没有提到的代码时，我做了一些不同的事情。我编辑了我的答案。请看一看@NimaAghli非常感谢，不同数组中的归一化有帮助。我的输出现在是正确的。我不认为重新发布代码和说“适合我”应该作为一个答案。最好留下评论。我不会标记它，但它可能应该改为注释。用户提供的代码工作正常。给出了用户预测方法可能存在的问题，代码没有重新发布，而是按照用户期望的实际工作的修改版本。虽然diffidence是一行代码，但这很可能是用户弄错的，因为他/她没有提供图像值的加载方式。@NimaAghli您在代码中也使用了train_图像。通过标准化，我指的是转换为float32，重塑，除以255，你们也都这么做了。我得到这个输出：[0.09712957 0.12846719 0.10435061 0.09085704 0.09937355 0.09544346 0.09477601 0.10677139 0.08749077 0.09534037]]结果：1对于不同的图像，当我复制我没有提到的代码时，我做了一些不同的事情。我编辑了我的答案。请看一看@NimaAghli非常感谢，他在不同的数组中正常化了