手写数字模型预测报错求助：基于VGG16训练的模型无法预测图像

核心问题 #

你训练的模型输入维度是25088（即7*7*512），但预测时直接传入了(1,224,224,1)维度的图像，两者维度不匹配导致报错。这个模型是VGG16特征提取后的全连接分类层，必须先通过VGG16提取图像特征，再输入到你保存的modeldata.h5中。

完整解决步骤 #

1. 重新构建VGG16特征提取器

训练时你应该是用VGG16的卷积部分做特征提取，只保存了后续的全连接层。所以需要先加载VGG16（去掉顶层全连接），保持和训练时一致的结构：

from tensorflow.keras.applications import VGG16

# 加载预训练VGG16，去掉顶层分类层，输入尺寸设为224x224x3
vgg_base = VGG16(weights='imagenet',
                  include_top=False,
                  input_shape=(224, 224, 3))
# 冻结VGG16的卷积层（和训练时一致）
vgg_base.trainable = False

2. 对预测图像做标准化预处理

训练时输入VGG16的图像需要符合其预处理要求，必须做以下处理：

import cv2
import numpy as np
from tensorflow.keras.applications.vgg16 import preprocess_input

img_path = '/content/drive/MyDrive/project/Dataset/DATA3/78/78_10.png'
# 读取图像并转为RGB（VGG16要求输入是3通道）
image = cv2.imread(img_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 调整尺寸到224x224（和训练时输入VGG16的尺寸一致）
image = cv2.resize(image, (224, 224))
# 扩展维度为(1,224,224,3)，符合模型输入格式
image = np.expand_dims(image, axis=0)
# 应用VGG16的标准化预处理
image = preprocess_input(image)

3. 提取特征并输入到你的模型预测

先通过VGG16提取图像的7*7*512特征，再传入你保存的全连接模型：

from keras.models import load_model

# 加载你保存的全连接模型
model = load_model('/content/drive/MyDrive/project/modeldata.h5')

# 提取VGG16特征
features = vgg_base.predict(image)
# 将特征展平为(1, 25088)，匹配模型输入维度
features = features.reshape(1, 7*7*512)

# 执行预测
pred = model.predict(features)
print("预测结果类别索引：", pred.argmax())

额外注意事项 #

• 如果训练时你对图像做了其他预处理（比如灰度转RGB、自定义归一化），要保证预测时的预处理逻辑和训练完全一致。
• 你的模型输出是63类，要确认pred.argmax()对应的类别是否和你的数据集标签对应（比如数字8对应的索引是否正确）。

内容的提问来源于stack exchange，提问作者Nara Nart