我正在為 mnist 數據集嘗試 CNN 模型。訓練模型后，它通過 model.evaluate 給出 99% 的測試準確率。但是當我嘗試預測一張圖像的答案時，它總是在我調用 model.predict() 時返回相同的數組。規范化數據：train_images = mnist_train_images.reshape(mnist_train_images.shape[0], 28, 28, 1)test_images = mnist_test_images.reshape(mnist_test_images.shape[0], 28, 28, 1)input_shape = (28, 28, 1) train_images = train_images.astype('float32')test_images = test_images.astype('float32')train_images /= 255test_images /= 255#converting labels to one hot encoded formattrain_labels = tensorflow.keras.utils.to_categorical(mnist_train_labels, 10)test_labels = tensorflow.keras.utils.to_categorical(mnist_test_labels, 10)模型結構和模型訓練：model = Sequential()model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))# 64 3x3 kernelsmodel.add(Conv2D(64, (3, 3), activation='relu'))# Reduce by taking the max of each 2x2 blockmodel.add(MaxPooling2D(pool_size=(2, 2)))# Dropout to avoid overfittingmodel.add(Dropout(0.25))# Flatten the results to one dimension for passing into our final layermodel.add(Flatten())# A hidden layer to learn withmodel.add(Dense(128, activation='relu'))# Another dropoutmodel.add(Dropout(0.5))# Final categorization from 0-9 with softmaxmodel.add(Dense(10, activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])with tensorflow.device('/device:GPU:0'): model.fit(train_images, train_labels, batch_size=128, epochs=7, verbose=2, validation_data=(test_images, test_labels))這每次總是給出相同的 pred_array，當然是錯誤的。我嘗試了類似問題的答案。例如，嘗試增加時代，也有一個答案說要做嘗試了一切，但似乎無濟于事。也許，我對圖像的規范化是錯誤的，或者我可能犯了一些愚蠢的錯誤，因為我是處理圖像和使用 CNN 的新手。請幫忙
1 回答
繁華開滿天機
TA貢獻1816條經驗 獲得超4個贊
我只是復制了代碼，一切正常。我希望您沒有從規范化的 train_images 加載測試圖像，因為其中的圖像已經規范化并且您在預測之前再次對其進行規范化。以下工作對我來說是預期的：
image = train_images[14]
image = image.astype('float32')
image = image.reshape(-1,28, 28,1)
image/=255
pred_array = model.predict(image)
print(pred_array)
pred_array = np.argmax(pred_array)
print('Result: {0}'.format(pred_array))
編輯： 我在復制您的代碼時做了一些不同的事情。我將標準化圖像保存在不同的 Numpy 數組中，如下所示：
train_images_norm = train_images.astype('float32')
test_images_norm = test_images.astype('float32')
train_images_norm /= 255
test_images_norm /= 255
...
model.fit(train_images_norm, train_labels_norm,...)
所以現在，當我預測時，我使用原始圖像（未標準化）并在預測之前對其進行標準化。您得到不可預測結果的原因是您將已經規范化的圖像再次除以 255，這會創建完全不同的數字，網絡未使用這些數字進行訓練。您有兩種選擇，要么將原始圖像保存在不同的數組中并在預測之前對其進行歸一化（我的代碼），要么如果您希望原始代碼起作用，您可以在預測之前刪除image = image.astype('float32')和image /= 255。
添加回答
舉報
0/150
提交
取消