我正在按照这个指南学习使用CNN进行图像分类，并且我已经将这段代码应用到了我的数据集中：
https://www.tensorflow.org/tutorials/images/classification
train_image_generator = ImageDataGenerator(rescale=1. / 255) # Generator for our training datavalidation_image_generator = ImageDataGenerator(rescale=1. / 255) # Generator for our validation datatrain_data_gen = train_image_generator.flow_from_directory(batch_size=batch_size, directory=train_img_folder, shuffle=True, target_size=(IMG_HEIGHT, IMG_WIDTH), class_mode='categorical', color_mode='grayscale')val_data_gen = validation_image_generator.flow_from_directory(batch_size=batch_size, directory=valid_img_folder, target_size=(IMG_HEIGHT, IMG_WIDTH), class_mode='categorical', color_mode='grayscale' )model = Sequential([ Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH, 1)), MaxPooling2D(), Conv2D(32, 3, padding='same', activation='relu'), MaxPooling2D(), Conv2D(64, 3, padding='same', activation='relu'), MaxPooling2D(), Flatten(), Dense(512, activation='relu'), Dense(3, activation='softmax')])model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])history = model.fit_generator( train_data_gen, steps_per_epoch=total_train_value // batch_size, epochs=epochs, validation_data=val_data_gen, validation_steps=total_valid_value // batch_size)# Single predictionimg = []temp = np.array(Image.open('path/to/pic.jpg').resize((256, 256), Image.ANTIALIAS))temp.shape = temp.shape + (1,) # now its (256, 256, 1)img.append(temp)test = np.array(img) # (1, 1024, 1024, 1)prediction = model.predict(test) 当我尝试使用predict_generator函数时：
test_datagen = ImageDataGenerator(rescale=1 / 255.)test_generator = test_datagen.flow_from_directory('test_images/', classes=['0', '1', '2'], color_mode='grayscale', shuffle=True, # use same size as in training target_size=(256, 256))preds = model.predict_generator(test_generator, steps=4) # 我不知道steps的作用，我放这里是因为报错。 我的第一个问题是：我可以获得训练和验证的准确率，但我想得到单张图片的预测结果。如何做到这一点？例如：
foo = model.predict(path/to/pic.jpg)# foo返回 0-> 0.70 | 1-> 0.30补充：当我尝试像这样使用model.predict时，我得到了以下错误：
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (1024, 1024)或者转换为2D（和3D）的np.array仍然得到相同的错误。
我的第二个问题是： 是否有办法在不完全达到100%的情况下进行预测？我是说，如果我们有两个类别（猫和狗）并且测试月亮图片，我想得到这样的结果：
%15 猫 | %10 狗而不是
%50 猫 | %50 狗我尝试添加垃圾类别如下所示进行更改。当我在history = model.fit_generator行运行时，我得到了以下错误：
ValueError: Error when checking target: expected dense_2 to have shape (3,) but got array with shape (2,) 回答：
第一个问题：我可以获得训练和验证的准确率，但我想得到单张图片的预测结果。如何做到这一点？
正如你在文档中看到的，你完全可以使用model.predict(x)，只要你的x是：
– Numpy数组（或类似数组），或者是数组列表（如果模型有多个输入）。
– 如果模型有命名输入，则是将输入名称映射到相应数组/张量的字典。
– 返回（输入，目标）或（输入，目标，样本权重）的生成器或keras.utils.Sequence。
你只需要编写读取.jpg图像并将其输入模型的代码即可。
第二个问题：是否有办法在不完全达到100%的情况下进行预测？我是说，如果我们有两个类别（猫和狗）并且测试月亮图片，我想得到这样的结果：
你可以创建第三个类别’垃圾’，为此你需要将网络的最后一层更改为：
Dense(3, activation='softmax')并将损失函数更改为categorical_crossentropy
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])并将class_mode更改为categorical而不是binary。
在这种情况下，你将得到狗:15%，猫:10%，垃圾:75%的结果
关于conv2D错误的编辑：
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (1024, 1024)
你有：
Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH, 3)),这意味着一张图像是(height, width, channel)。
如文档所示，由于这是输入层，你需要提供4D格式，形状为：(samples, rows, cols, channels)。如果你只想提供一张图像，你需要有一个形状为(1, rows, cols, channels)的数组。
