Python 为什么我在使用keras.load_模型加载模型后得到零分（准确度）？

有人能帮我吗？我花了12个小时训练4个模型，当我加载_模型进一步评估它们（打印混淆矩阵和ROC曲线）时，精确度和F1分数完全为零

这是我以前保存模型的方式，该模型产生（1.0 F1分数）

然后这是另一本笔记本上的代码，我用它来创建我需要的曲线，为我的分类报告生成全零

reconstructed_model = keras.models.load_model("C:/model.h5")
reconstructed_model.compile(optimizer=Adam(0.0001),
             loss='categorical_crossentropy',
             metrics=['accuracy'])



test_generator.reset() 

from sklearn.metrics import multilabel_confusion_matrix,classification_report
import sklearn.preprocessing
import matplotlib.pyplot as plt

predictions = reconstructed_model.predict_generator(generator=test_generator,
                                       steps=test_generator.samples/test_generator.batch_size,
                                       max_queue_size=10,
                                       use_multiprocessing=False,
                                       verbose=1)


y_pred = np.argmax(predictions, axis=1)

true_classes = test_generator.classes

class_labels = list(test_generator.class_indices.keys())   

print(class_labels)

print(multilabel_confusion_matrix(test_generator.classes, y_pred))

report = classification_report(true_classes, y_pred, target_names=class_labels)
print(report)

我使用生成器来加载数据，我确保代码是相同的，并且我以完全相同的方式进行了预处理。。我使用的是TF=2.3.0，我读到它可能在load_模型上有一个缺陷（我尝试了sparse_Cateogral_crossentropy，不起作用…），而且我还有另一个迁移学习模型，我几天前以完全相同的方式训练过它，并使用了TF 2.3.0，它不会产生同样的问题

---

有人能帮我一下吗？我已经很忙了，有人在吗？？？？？？？？？

reconstructed_model = keras.models.load_model("C:/model.h5")
reconstructed_model.compile(optimizer=Adam(0.0001),
             loss='categorical_crossentropy',
             metrics=['accuracy'])



test_generator.reset() 

from sklearn.metrics import multilabel_confusion_matrix,classification_report
import sklearn.preprocessing
import matplotlib.pyplot as plt

predictions = reconstructed_model.predict_generator(generator=test_generator,
                                       steps=test_generator.samples/test_generator.batch_size,
                                       max_queue_size=10,
                                       use_multiprocessing=False,
                                       verbose=1)


y_pred = np.argmax(predictions, axis=1)

true_classes = test_generator.classes

class_labels = list(test_generator.class_indices.keys())   

print(class_labels)

print(multilabel_confusion_matrix(test_generator.classes, y_pred))

report = classification_report(true_classes, y_pred, target_names=class_labels)
print(report)