TensorFlow Keras预测无标签数据时Generator结构不匹配问题排查

问题根源 #

当用flow_from_directory（推测你提到的load_unlabeled_data基于该API实现）加载无标签数据并设置class_mode=None时，生成器会直接返回单个图像张量，但Keras的model.predict()期望输入结构为(图像张量,)的元组，两者结构不匹配导致报错。

具体修复方法 #

方法1：包装生成器修正输出结构 #

给原始生成器的输出套一层元组，确保返回格式符合模型预期：

# 假设原始无标签数据生成器定义如下
test_generator = datagen.flow_from_directory(
    'to_test',
    target_size=(img_height, img_width),
    batch_size=32,
    class_mode=None,
    shuffle=False
)

# 用生成器表达式包装，让输出格式变为(图像张量,)
wrapped_generator = ((x,) for x in test_generator)

# 使用包装后的生成器执行预测
predictions = model.predict(wrapped_generator, steps=test_generator.n // test_generator.batch_size)

方法2：直接加载图像为批量张量 #

跳过生成器，直接将无标签图像加载为模型可接受的批量张量：

import os
from PIL import Image
import numpy as np

# 匹配训练时的图像尺寸
img_height, img_width = 224, 224
test_dir = 'to_test'

# 加载所有无标签图像并预处理
images = []
# 假设无标签图像都在to_test下的唯一子目录中
sub_dir = os.listdir(test_dir)[0]
for img_name in os.listdir(os.path.join(test_dir, sub_dir)):
    img_path = os.path.join(test_dir, sub_dir, img_name)
    img = Image.open(img_path).resize((img_width, img_height))
    # 执行和训练时一致的预处理（比如归一化）
    img_array = np.array(img) / 255.0
    images.append(img_array)

# 转换为批量张量
x_test = np.array(images)

# 执行预测
predictions = model.predict(x_test)

关键注意事项 #

• 无标签数据的预处理逻辑必须和训练阶段完全一致（包括尺寸、归一化方式、通道顺序等），否则会导致预测结果失真。
• 使用flow_from_directory时，to_test目录下需要至少一级子目录（比如所有无标签图像放在to_test/unlabeled下），否则API无法正确识别图像文件。

内容的提问来源于stack exchange，提问作者actopozipc