TensorFlow模型调用异常求助：输入维度与分类结果问题

问题1：灰度图转换导致索引越界 #

• 原因：你的模型输入要求是**(180,180,3)**的3通道彩色图，但原代码把图像转成了单通道灰度图，后续强行reshape成3通道时，数据维度不匹配（单通道数据量仅为3通道的1/3），因此触发索引越界错误。
• 修正代码：

def prepare(filepath):
    IMG_SIZE = 180  # 改为模型要求的输入尺寸
    # 读取彩色图，跳过灰度转换步骤
    img_array = cv2.imread(filepath, cv2.IMREAD_COLOR)
    # 调整图像尺寸至模型预期的180x180
    new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))
    # 保持3通道格式，转换为TensorFlow需要的批量输入形状
    return new_array.reshape(-1, IMG_SIZE, IMG_SIZE, 3)

• 补充提示：若模型训练时使用的是RGB格式，需额外转换通道（OpenCV默认读取为BGR），添加代码：img_array = cv2.cvtColor(img_array, cv2.COLOR_BGR2RGB)，避免颜色空间不匹配导致预测偏差。

问题2：预测结果非0/1无法分类 #

• 原因：模型最后一层若使用sigmoid激活函数，输出的是0到1之间的概率值（接近0对应一类，接近1对应另一类）；若使用softmax（二分类场景），输出的是两个类别的概率数组。直接打印prediction[0][0]得到的是概率值，而非硬分类的0/1标签。
• 解决方法：
  1. 若为sigmoid输出：设置阈值判断类别

     prediction = model.predict(prepare("你的图片路径.jpg"))
     # 以0.5为阈值，概率大于0.5判为1（Fail），否则为0（Pass）
     result = 1 if prediction[0][0] > 0.5 else 0
     print("Pass" if result == 0 else "Fail")
     

  2. 若为softmax输出（二分类）：取概率最大的索引作为类别

     import numpy as np
     prediction = model.predict(prepare("你的图片路径.jpg"))
     # 取最大概率对应的索引，0对应Pass，1对应Fail
     result = np.argmax(prediction[0])
     print("Pass" if result == 0 else "Fail")
     

• 额外检查：确认模型训练时的输出层设置与推理逻辑匹配，二分类任务通常用Dense(1, activation='sigmoid')或Dense(2, activation='softmax')。

内容的提问来源于stack exchange，提问作者How to be 6