Tensorflow 为什么我的Keras图像分类预测总是返回一个值。。。？
我用CNN对多个人进行分类。人们的数量是114，每个人有大约120个图像数据集。 我使用keras和用于狗与猫分类的模型。 它适用于狗和猫的分类。 但这只是在不同的人物图像中返回相同的值 它说准确度为99.12，但不起作用 这是我的列车代码Tensorflow 为什么我的Keras图像分类预测总是返回一个值。。。？,tensorflow,neural-network,keras,deep-learning,conv-neural-network,Tensorflow,Neural Network,Keras,Deep Learning,Conv Neural Network,我用CNN对多个人进行分类。人们的数量是114，每个人有大约120个图像数据集。 我使用keras和用于狗与猫分类的模型。 它适用于狗和猫的分类。 但这只是在不同的人物图像中返回相同的值 它说准确度为99.12，但不起作用 这是我的列车代码 #编码：utf-8 #在[1]中： 导入操作系统 进口cv2 将numpy作为np导入 从sklearn.preprocessing导入标签编码器 从sklearn.preprocessing导入OneHotEncoder 从sklearn.cross\u验
#编码：utf-8
#在[1]中：
导入操作系统
进口cv2
将numpy作为np导入
从sklearn.preprocessing导入标签编码器
从sklearn.preprocessing导入OneHotEncoder
从sklearn.cross\u验证导入序列测试\u分割
从keras导入后端为K
从keras导入图层、模型和优化器
从keras.preprocessing.image导入ImageDataGenerator、img_到_数组、数组_到_img
从keras.applications.resnet50导入预处理输入
从keras.utils导入np_utils
从numpy导入数组
#在[2]中：
列_DIR='/数据集'
train\u folder\u list=数组（os.listdir（train\u DIR））
#在[13]中：
X=[]
Y=[]
#在[14]中：
label_编码器=LabelEncoder（）
整数编码=标签编码器。拟合变换（训练文件夹列表）
onehot_编码器=OneHotEncoder（稀疏=假）
整数编码=整数编码。重塑（len（整数编码），1）
onehot\u encoded=onehot\u编码器。拟合\u变换（整数\u编码）
对于idx，枚举中的索引（范围（len（列文件夹列表））：
path=os.path.join（列目录、列文件夹列表[索引]）
路径=路径+'/'
img_list=os.listdir（路径）
对于img_列表中的img：
img_path=os.path.join（path，img）
img=cv2.imread（img\u路径）
如果img不是无：
img=cv2。调整大小（img，（100100））
img=img_到_阵列（img）
附加（img）
Y.append（idx）
X=np.array（X，dtype=“float”）/255.0
#在[15]中：
（X_序列，X_测试，Y_序列，Y_测试）=序列测试分割（X，Y，测试大小=0.2，随机状态=42）
Y_train=np_utils.to_categorical（Y_train，len（train_文件夹列表））
Y_测试=np_utils.to_Category（Y_测试，len（训练文件夹列表））
打印（X_列[0]）
#在[17]中：
nb_系列样品=len（X_系列）
nb_有效性_样品=len（X_试验）
批量大小=32
#在[18]中：
打印（K.图像\数据\格式（）
#在[19]中：
model=models.Sequential（）
添加（layers.Conv2D（32，（3,3），输入_形状=（100100,3）））
model.add（layers.Activation（'relu'））
添加（layers.MaxPooling2D（池大小=（2,2）））
添加（layers.Conv2D（32，（3,3）））
model.add（layers.Activation（'relu'））
添加（layers.MaxPooling2D（池大小=（2,2）））
添加（layers.Conv2D（64，（3,3）））
model.add（layers.Activation（'relu'））
添加（layers.MaxPooling2D（池大小=（2,2）））
model.add（layers.flatte（））
模型.添加（层.密度（500））
model.add（layers.Activation（'relu'））
模型.添加（层.退出（0.5））
模型.添加（层.密度（114））
model.add（layers.Activation（'softmax'））
model.compile（loss='binary\u crossentropy'，
优化器='rmsprop'，
指标=[‘准确度’]）
model.summary（）
#在[20]中：
列车\数据发生器=图像数据发生器(
旋转范围=40，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
重新缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真，
填充模式（最近的）
test_datagen=ImageDataGenerator(
旋转范围=40，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
重新缩放=1./255，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真，
填充模式（最近的）
#在[21]中：
序列生成器=序列数据生成流（X序列、Y序列、批次大小=批次大小）
测试生成器=测试数据生成流（X测试、Y测试、批次大小=批次大小）
打印（列车发电机）
#在[]中：
历史=model.fit\u生成器(
列车发电机，
每个历元的步数=nb\U序列样本//批量大小，
纪元=3，
验证数据=测试生成器，
验证步骤=nb验证样本//批量大小
)
model.save_weights（'model_weights.h5'））
model.save（'model_keras.h5'））
从keras.models导入负载模型
进口cv2
从keras.applications.resnet50导入预处理输入
将numpy作为np导入
模型=负荷模型（'model\u keras.h5'）
img=cv2.imread（'input_test.jpg'））
如果img不是无：
img=cv2.resize（img，（100100），插值=cv2.INTER_CUBIC）
img=np.重塑（img[1100100,3]）
img=预处理输入（img）
类=模型。预测类（img）
打印（类）
二进制交叉熵分类交叉熵model.compile（loss='classifical\u crossentropy'，
优化器='rmsprop'，
指标=[‘准确度’]）
二进制交叉熵分类交叉熵model.compile（loss='classifical\u crossentropy'，
优化器='rmsprop'，
指标=[‘准确度’]）