Keras模型调用predict报错：History对象无predict属性求助

这个错误是很容易踩的小坑，我来帮你一步步梳理问题和解决方案：

核心问题：混淆了模型对象与训练历史对象 #

你执行result = model.fit_generator(...)时，result返回的是**History对象**——它的作用仅仅是存储训练过程中的损失值、准确率等日志数据，并没有predict方法。真正具备预测能力的是你定义的model对象，也就是那个基于VGG19构建的Sequential模型。

完整修正方案 #

1. 替换预测调用对象 #

把preds = result.predict(x)改成preds = model.predict(x)，这是解决报错的关键一步。

2. 匹配VGG19的预处理逻辑 #

你参考的代码用了VGG16的preprocess_input，但你的模型是基于VGG19构建的，两者预处理规则有细微差异，需要替换成对应VGG19的预处理函数：

from keras.applications.vgg19 import preprocess_input  # 替换原VGG16的导入语句

3. 正确解析二分类预测结果 #

你的模型是肺炎检测二分类任务，输出层用了sigmoid激活，所以preds是0到1之间的概率值（假设1代表肺炎，0代表正常）。而decode_predictions是专门用来解析ImageNet预训练模型的1000类分类结果的，完全不适用你的二分类场景，需要删掉这个函数，改成自己判断概率：

preds = model.predict(x)[0][0]  # 取出单个样本的概率值
if preds > 0.5:
    print(f"预测结果：肺炎，概率{preds:.4f}")
else:
    print(f"预测结果：正常，概率{1 - preds:.4f}")

修正后的完整代码片段 #

from keras.preprocessing import image
from keras.applications.vgg19 import preprocess_input  # 修正为VGG19的预处理
import numpy as np

img_path = '/home/workstation/Desktop/covid/1.jpeg'
img = image.load_img(img_path, target_size=(150, 150))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)  # 使用VGG19对应的预处理逻辑

# 用model做预测，而非训练历史对象result
preds = model.predict(x)[0][0]  
# 解析二分类预测结果
if preds > 0.5:
    print(f"Predicted: 肺炎 (概率: {preds:.4f})")
else:
    print(f"Predicted: 正常 (概率: {1 - preds:.4f})")

额外提示：关于热力图生成 #

如果你最终目标是生成Grad-CAM热力图（参考Chollet《Python深度学习》中的实现），接下来还需要：

• 定位模型中VGG19的最后一个卷积层（比如conv_base.get_layer('block5_conv4')）
• 计算预测类别梯度相对于该卷积层输出的导数
• 对梯度做全局平均池化得到权重
• 用权重加权卷积层输出，最终生成热力图

这部分可以继续参考书中的Grad-CAM代码，但要注意匹配你当前模型的结构。

内容的提问来源于stack exchange，提问作者mimus