Python 为什么我的预测结果和准确率相比很差

我使用Keras在python中编写了一个图像分类代码（两类，“好”和“坏”），训练数据的准确率约为99%，验证数据的准确率约为95%。（图像为60乘以30像素的灰度png文件）

现在，我想使用以下代码对验证目录中的所有600个图像进行预测

path='/home/admin/Desktop/dataset/validation/good'
for file in os.listdir(path):
    im=cv2.imread(os.path.join(path,file))
    im=cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
    im=np.reshape(im,[1, img_width,img_height,1])*(1. /255)
    result=model.predict_classes(im)

但是，“坏”目录中的300个图像的结果是9[1]和291[0]，而“好”目录中的300个图像的结果是42[1]和258[0]，这显然是错误的

我认为我的数据处理方式不同于ImageDataGenerator和flow\u from\u directory，这导致了错误，但我不确定

********更新********

当我使用以下代码时，结果是正确的

predict_data=ImageDataGenerator(rescale=1. / 255).flow_from_directory(
    '/home/admin/Desktop/dataset/validation/good',
    target_size=(img_width, img_height),
    batch_size= 300,
    class_mode=None,
    color_mode='grayscale')

result=model.predict_generator(
    predict_data,
    steps=1)

---

但是我仍然不知道错误在哪里。

这可能是BGR（OpenCV）与RGB通道顺序。我使用predict_generator进行预测，结果是正确的，因此我确信问题在于数据处理。灰度图像的3个通道通常应该具有相同的值，由于过度拟合，培训结果良好，验证结果不佳。我认为，如果问题是不同的处理，那么准确率将非常糟糕，而不是一个非常好的数字，比如95%。如果你增加辍学率，情况会好转吗？

predict_data=ImageDataGenerator(rescale=1. / 255).flow_from_directory(
    '/home/admin/Desktop/dataset/validation/good',
    target_size=(img_width, img_height),
    batch_size= 300,
    class_mode=None,
    color_mode='grayscale')

result=model.predict_generator(
    predict_data,
    steps=1)