我在使用 Keras 的 VGG16 进行迁移学习（我的新模型有7个类别），因此我想使用内置的 decode_predictions 方法来输出我的模型预测结果。然而，使用以下代码时：

preds = model.predict(img)decode_predictions(preds, top=3)[0]

我收到了以下错误信息：

ValueError: decode_predictions 期望得到一批预测结果（即形状为（样本数，1000）的二维数组）。发现的数组形状为：(1, 7)

现在我想知道为什么它期望有1000个类别，而我的重新训练模型只有7个类别。

我在 StackOverflow 上找到了一个类似的问题（Keras: ValueError: decode_predictions expects a batch of predictions），建议在定义模型时包含 ‘include_top=True’ 来解决这个问题：

model = VGG16(weights='imagenet', include_top=True)

我已经尝试过这个方法，但它仍然不起作用 – 给我相同的错误。任何关于如何解决这个问题的提示或建议都将不胜感激。

回答：

我怀疑你在使用某个预训练模型，比如说 ResNet50，并且你像这样导入 decode_predictions：

from keras.applications.resnet50 import decode_predictions

decode_predictions 将一个形状为（样本数，1000）的概率数组转换为原始 ImageNet 类别的类名。

如果你想进行迁移学习并在7个不同的类别之间进行分类，你需要这样做：

base_model = resnet50 (weights='imagenet', include_top=False)# 添加全局空间平均池化层x = base_model.outputx = GlobalAveragePooling2D()(x)# 添加全连接层x = Dense(1024, activation='relu')(x)# 添加逻辑层 -- 假设我们有7个类别predictions = Dense(7, activation='softmax')(x) model = Model(inputs=base_model.input, outputs=predictions)...

在拟合模型并计算预测结果后，你必须手动将类名分配给输出数字，不使用导入的 decode_predictions