解决基于EfficientNet+PCA的分类模型单图预测输入形状不匹配问题

错误原因 #

你的全连接神经网络（sequential_1）训练时接收的是经过EfficientNetB7提取、MinMaxScaler归一化、PCA降维后的15维特征向量，但你直接将原始/预处理后的图像张量（形状(None,32,32,3)）输入给它，两者形状不匹配，导致报错。测试流程必须和训练流程完全对齐，跳过中间特征处理步骤必然出错。

正确的单图分类流程 #

你需要复刻训练时的完整预处理+特征转换 pipeline，步骤如下：

1. 准备训练阶段保存的关键组件 #

训练时必须保存以下3个组件（如果没保存，需要重新训练并保存）：

• 用于特征提取的EfficientNetB7特征提取器（需去掉顶层分类层，保留特征输出部分）
• 拟合好的MinMaxScaler对象
• 拟合好的PCA模型
• 训练完成的全连接神经网络模型

可以用joblib保存Scaler和PCA：

import joblib
joblib.dump(scaler, 'minmax_scaler.pkl')
joblib.dump(pca, 'pca_model.pkl')

用Keras的save()方法保存特征提取器和全连接模型：

base_model.save('efficientnet_feature_extractor.h5')
fc_model.save('fc_classifier.h5')

2. 测试图像的预处理（与训练集完全一致） #

• 读取PNG图像，转换为RGB格式（EfficientNetB7要求3通道输入，若训练集是灰度图，需复制通道到3层）
• 调整图像尺寸至训练集使用的尺寸（你训练集是2048×1536，测试图必须resize到相同尺寸，或和训练时输入给EfficientNet的尺寸一致）
• 应用EfficientNet的官方预处理（和训练时一致）：

import cv2
import numpy as np
from tensorflow.keras.applications.efficientnet import preprocess_input

# 读取并处理图像
img = cv2.imread('test_image.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 转RGB
img = cv2.resize(img, (2048, 1536))  # 与训练集尺寸一致
img = preprocess_input(img)  # EfficientNet预处理
img = np.expand_dims(img, axis=0)  # 扩展为批量维度，形状变为(1,2048,1536,3)

3. 特征提取、归一化与降维 #

加载训练时保存的组件，依次执行特征转换：

from tensorflow.keras.models import load_model
import joblib

# 加载组件
base_model = load_model('efficientnet_feature_extractor.h5')
scaler = joblib.load('minmax_scaler.pkl')
pca = joblib.load('pca_model.pkl')
fc_model = load_model('fc_classifier.h5')

# 提取特征
features = base_model.predict(img)  # 形状为(1, 特征维度)，比如EfficientNetB7全局池化后是2560维

# 归一化
scaled_features = scaler.transform(features)

# PCA降维到15维
pca_features = pca.transform(scaled_features)  # 形状变为(1,15)

4. 执行分类预测 #

将降维后的特征输入全连接模型：

predictions = fc_model.predict(pca_features)
# 根据你的任务处理预测结果，比如取argmax得到类别
pred_class = np.argmax(predictions, axis=1)[0]
print(f"预测类别：{pred_class}")

关键注意事项 #

• 所有预处理步骤（尺寸、颜色通道、归一化方式）必须和训练集完全一致，否则特征分布不匹配会导致分类结果失效。
• 不能在测试数据上重新拟合Scaler或PCA，必须使用训练集拟合好的对象，避免数据泄露。
• 若训练时对EfficientNetB7的层做了冻结或微调，测试时加载的特征提取器必须保持相同的权重状态。

内容的提问来源于stack exchange，提问作者aayushkap