Python 如何将predict_生成器与ImageDataGenerator一起使用？

我对凯拉斯很陌生。我训练了一个模型，并希望预测存储在子文件夹中的一些图像（如用于训练）。为了进行测试，我想预测7个类（子文件夹）中的2个图像。下面的测试生成器看到了14幅图像，但我得到了196个预测。错在哪里？非常感谢

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = "false",
        class_mode='categorical')

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,nb_samples)

---

问题在于

nb_样本

包含在

predict_生成器

中，该生成器将创建14批14幅图像

14*14 = 196

desired_batch_size=7

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = False,
        class_mode='categorical',
        batch_size=desired_batch_size)

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,steps = 
                                   np.ceil(nb_samples/desired_batch_size))

---

您可以将

flow\u from\u directory

中

batch\u size

的值从默认值（即

batch\u size=32

）更改为

batch\u size=1

。然后将

predict\u generator

的

步骤设置为测试图像的总数。大概是这样的：

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = False,
        class_mode='categorical',
        batch_size=1)

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,steps = nb_samples)

生成器中的默认批处理大小为32。如果您想对所有nb_样本中的每个样本进行1次预测，您应该使用
批量大小来划分nb_样本。因此，当批处理大小为7时，14张图像只需14/7=2个步骤

14*14 = 196

desired_batch_size=7

test_datagen = ImageDataGenerator(rescale=1./255)

test_generator = test_datagen.flow_from_directory(
        test_dir,
        target_size=(200, 200),
        color_mode="rgb",
        shuffle = False,
        class_mode='categorical',
        batch_size=desired_batch_size)

filenames = test_generator.filenames
nb_samples = len(filenames)

predict = model.predict_generator(test_generator,steps = 
                                   np.ceil(nb_samples/desired_batch_size))

使用拟合和预测，TensorFlow现在支持生成器的这两种方法。
以防万一将来有人发现自己在这里想知道为什么使用model.predict和model.predictor得到的准确度分数不同。只需使用model.predict_生成器选项，而不必考虑降级警告。model.predict与发电机一起使用时似乎存在问题。
谢谢djk。不幸的是，如果我删除这个参数，我会得到一个错误：predict_generator（）至少接受3个参数（给定2个），因此，如果我添加model.predict_generator（test_generator，1），我会分析32个图像（默认批量大小）。这意味着我应该添加nb\u samples=len（文件名）/批大小模型。预测\u生成器（test\u生成器，nb\u samples）是否正确？我发现很难找到这方面的好文档。最好的问候，MarioCan有人告诉我，在使用
predict\u生成器
进行预测后，我如何计算准确度？任何想知道模型是否在测试集上给出随机预测的人：别忘了设置
shuffle=False
。它在OP的帖子中，但有时您可能会忘记它，默认值为True。@MohitMotwani，为了计算准确性，您可以使用
模型。评估（测试数据，目标数据）
或使用生成器
模型。评估（测试生成器…）
。但是不要忘记在model.fit（）中为度量添加“准确性”。是否有可能单独预测每个样本以测量推断时间？如果我有一个大小为101的测试数据集，默认批次大小为32，该怎么办。如果我设置steps=101//32=3。我得到了96个预测，但最后5个样本没有预测。如果我设置steps=101//32+1=4。将发生错误。那我该怎么办？对于101个步骤，使用批次大小=1？这不是一个优雅的解决方案，如果我的测试数据集大小为6234547呢？使用1的批处理大小将非常低效。只需一句评论：@Ioannis的答案是一个更一般的答案，它考虑了批处理大小。注：predict_generator（…）接受num_of_steps作为第二个参数，该参数是批量大小上的测试样本数。Num_of_steps定义停止生成器的条件，否则它将继续生成或加载一批图像。