在keras中使用model.predict时，列表“索引超出范围”

如何解决在keras中使用model.predict时，列表“索引超出范围”

这是我的代码，我正在使用转移学习来训练我的模型。但是我得到索引超出范围错误。当试图测试我的模型时，它给了model.predict（）函数这个错误。可能是什么原因？

IMAGE_SIZE = [100,100]

train_path = 'input/train'
valid_path = 'input/val'

在VGG的前面添加预处理层

vgg = VGG16(input_shape=IMAGE_SIZE + [3],weights='imagenet',include_top=False)

# don't train existing weights
for layer in vgg.layers:
  layer.trainable = False

对于获取课程数量很有用

folders = glob('input/train/*')

我们的图层

x = Flatten()(vgg.output)
# x = Dense(1000,activation='relu')(x)
prediction = Dense(len(folders),activation='softmax')(x)

创建模型对象

model = Model(inputs=vgg.input,outputs=prediction)

查看模型的结构

model.summary()

告诉模型使用什么成本和优化方法

model.compile(
  loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy']
)

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,shear_range = 0.2,zoom_range = 0.2,horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('input/train',target_size = (100,100),batch_size = 32,class_mode = 'categorical')

val_set = test_datagen.flow_from_directory('input/val',class_mode = 'categorical')

拟合模型

r = model.fit(
  training_set,validation_data=val_set,epochs=50,steps_per_epoch=len(training_set),validation_steps=len(val_set)
)

此行出现错误

model.predict('/content/input/test/0/IMG_4099.JPG')

解决方法

模型predic不接受路径作为输入。根据文档，predic输入样本可以是：

• 一个Numpy数组（或类似数组的数组）或一个数组列表（如果模型具有多个输入）。
• TensorFlow张量或张量列表（如果模型具有多个输入）。
• tf.data数据集。
• 生成器或keras.utils.Sequence实例。有关迭代器类型（数据集，生成器，序列）的拆包行为的详细说明，请参见Model.fit的类似迭代器的拆包行为部分。

有多种方法可以从图像路径获取numpy array。例如，您可以使用Keras预处理image.load_img来读取图像，然后使用img_to_array获得numpy array。如果文件夹中的图像尚未达到模型所需的尺寸，则必须使用target_size参数将尺寸调整为模型的输入形状。

img = tf.keras.preprocessing.image.load_img(
    "/content/input/test/0/IMG_4099.JPG",target_size=(100,100)
)
img_nparray = tf.keras.preprocessing.image.img_to_array(img)
type(img_nparray) # numpy.ndarray
input_Batch = np.array([img_nparray])   # Convert single image to a batch.
predictions = model.predict(input_Batch)

另一种替代方法是使用先前声明的图像generator（test_datagen，再次没有任何数据扩充以进行合理的预测），指向包含该单个（或多个）图像的文件夹

文件夹结构

├── content
│   └── input
│       └── test
│           └── 0
│               └── IMG_4099.JPG

import tensorflow as tf
from tensorflow import keras

test_datagen = ImageDataGenerator(rescale = 1./255)

test_ImgGen = test_datagen.flow_from_directory(
    '/content/input/test/0/',target_size = (100,100),class_mode='categorical'
)

model.predict(test_ImgGen)