Tensorflow 当predict_generator在多类分类问题的同一数据集上工作时，为什么keras predict_类失败？

我有6类图像，正在尝试使用基于MobileNetv2的迁移学习来训练模型

我首先创建一个ImageDataGenerator，然后使用“子集”功能将其拆分为单独的序列和测试流

# Rescale all images by 1./255 and apply image augmentation
train_test_datagen = keras.preprocessing.image.ImageDataGenerator(
    rescale=1./255,
    validation_split=0.5)

# Flow training images in batches of 20 using train_datagen generator
train_generator = train_test_datagen.flow_from_directory(
                train_test_dir,  # Source directory for the training images
                target_size=(image_size, image_size),
                batch_size=batch_size,shuffle=True,
                class_mode='categorical',
    subset='training')

# Flow validation images in batches of 20 using test_datagen generator
validation_generator = train_test_datagen.flow_from_directory(
                train_test_dir, # Source directory for the validation images
                target_size=(image_size, image_size),
                batch_size=1,shuffle=False,
                class_mode='categorical',
    subset='validation')

然后创建并训练模型：

# Create the base model from the pre-trained model MobileNet V2
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=False,
                                               weights='imagenet')

class_count = len(train_generator.class_indices)

model = tf.keras.Sequential([
  base_model,
  keras.layers.GlobalAveragePooling2D(),
  keras.layers.Dense(class_count, activation='softmax')
])

model.compile(optimizer=tf.keras.optimizers.RMSprop(lr=0.0001),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

epochs = 5
steps_per_epoch = train_generator.n // batch_size
validation_steps = validation_generator.n // batch_size

history = model.fit_generator(train_generator,
                              steps_per_epoch = steps_per_epoch,
                              epochs=epochs,
                              workers=4,
                              #pickle_safe=True,
                              validation_data=validation_generator,
                              validation_steps=validation_steps)

到目前为止还不错。但是，尽管我可以从

predict\u生成器

获得原始softmax输出：

class_predictions = model.predict_generator(
    validation_generator,
    20)

我无法从预科班得到任何东西：

class_predictions = model.predict_classes(
    validation_generator
)

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
1类预测=模型。预测类(
---->2.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.2.2.2.2
3 )
预测类中的~/anaconda3/envs/tensorflow\u p36/lib/python3.6/site-packages/tensorflow\u core/python/keras/engine/sequential.py（self、x、批大小、详细）
324类预测的numpy数组。
325     """
-->326 proba=self.predict（x，批大小=批大小，详细=详细）
327如果概率形状[-1]>1：
328返回概率argmax（轴=-1）
预测中的~/anaconda3/envs/tensorflow\u p36/lib/python3.6/site-packages/tensorflow\u core/python/keras/engine/training.py
924最大队列大小=最大队列大小，
925名工人=工人，
-->926使用多处理=使用多处理）
927
928 def重置_指标（自我）：
预测中的~/anaconda3/envs/tensorflow\u p36/lib/python3.6/site-packages/tensorflow\u core/python/keras/engine/training\u generator.py
637名工人=1人，
638使用多处理=假）：
-->639模型。验证或推断批次大小（批次大小，步骤，x）
640返回预测单元发生器(
641型，
~/anaconda3/envs/tensorflow\u p36/lib/python3.6/site-packages/tensorflow\u core/python/keras/engine/training.py in\u validate\u或\u expert\u batch\u size（self、batch\u size、steps、x）
1831'不能为给定的指定'batch_size'参数'
1832'输入类型。收到的输入：{}，批处理大小：{}。格式(
->1833 x，批次（单位尺寸）
1834年回归
1835
ValueError:不能为给定的输入类型指定'batch\u size'参数。收到的输入：，batch\u size:32

这对于以前的二进制交叉熵模型很有效，但是对于这个分类交叉熵模型，predict类不起作用

---

知道会出什么问题吗？

predict\u classes

仅适用于顺序模型，需要一个numpy数组而不是生成器对象

Arguments
x   input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).
batch_size  integer.
verbose     verbosity mode, 0 or 1.

最好避免这种情况，正如医生所说：

警告：此函数已弃用。它将在2021-01-01之后删除。更新说明：请改用：*np.argmax（model.predict（x），axis=-1），如果您的模型进行多类分类（例如，如果使用softmax最后一层激活）。*（model.predict（x）>0.5）。astype（“int32”），如果您的模型进行二进制分类（例如，如果使用sigmoid最后一层激活）

---

ref:

目前在线文档中缺少弃用消息，但上述方法仍然可用。

Arguments
x   input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).
batch_size  integer.
verbose     verbosity mode, 0 or 1.