tf.keras模型单图预测异常，求与image_dataset_from_directory一致的预处理方法

1. 像素值缩放差异 #

tf.keras.utils.image_dataset_from_directory 默认不会自动缩放像素值，输出的是0-255的uint8类型数组，但如果你的模型中加入了 Rescaling(1./255) 层（或训练时通过其他方式做了归一化），测试时必须同步处理：

def preprocess_image(image_path):
    image = Image.open(image_path)
    image = image.resize((256, 256))
    image_array = np.array(image)
    image_array = image_array / 255.0  # 加入归一化，和训练逻辑对齐
    image_array = np.expand_dims(image_array, axis=0)
    return image_array

如果训练时未做归一化，跳过此步，但要确保两者的像素值范围完全一致。

2. 图像通道数/色彩模式不匹配 #

image_dataset_from_directory 默认读取RGB格式（3通道），但如果测试图像是RGBA（带透明层的4通道）或灰度图，转成数组后通道数会和训练数据不一致。可以强制转换为RGB：

image = Image.open(image_path).convert('RGB')  # 强制转为3通道RGB

3. Resize插值方式差异 #

image_dataset_from_directory 默认使用bilinear插值缩放图像，而PIL的resize方法默认插值可能是bicubic（取决于版本）。统一插值方式消除数值偏差：

image = image.resize((256, 256), resample=Image.Resampling.BILINEAR)  # 对齐训练时的插值逻辑

4. 数据类型不一致 #

image_dataset_from_directory 返回的张量在模型内部会转为float32类型，测试时的数组如果是uint8，可能和模型输入期望的类型不符，可手动转换：

image_array = np.array(image).astype('float32')

若预处理排查后仍有问题，检查其他方向 #

• 确认加载的是训练完成后的最终模型，而非未训练的初始模型
• 核对标签映射：image_dataset_from_directory 会按文件夹名称的字母顺序生成标签，测试时的类别索引需和此顺序对应
• 检查模型训练状态：是否存在严重过拟合，或训练数据分布不均导致模型只拟合了某一类特征

内容的提问来源于stack exchange，提问作者Ibrahim Younis