TensorFlow预测报错：仅整数标量数组可转换为标量索引

触发TypeError: only integer scalar arrays can be converted to a scalar index的核心原因是索引类型不匹配：

• 你代码里pred.argmax(axis=1)返回的是形状为(1,)的一维numpy数组（即你排查到的array([3], dtype=int64)），不是整数标量。
• class_names是普通Python列表，Python列表仅支持整数标量做索引，不支持一维numpy数组作为索引，因此报错。
  你之前的判断有误：带维度的单元素数组不是标量，标量是0维数组/原生Python整数，例如直接输出3而非array([3])。

只需要把argmax返回的一维数组转为整数标量即可，两种写法都可以：

1. 对单样本预测的结果，直接调用pred.argmax()不传axis参数，会全局查找最大值索引，直接返回整数标量
2. 保留argmax(axis=1)的写法，后续取[0]拿到第一个元素，即pred.argmax(axis=1)[0]

另外原函数还有几个不影响运行但体验较差的小问题，一并修复：

• 子图网格计算逻辑会生成多余空位，优化为自适应行列数
• model.predict默认会打印进度条，加verbose=0屏蔽冗余日志
• 显式传入class_names参数，避免依赖全局变量
• 增加tight_layout()自动调整布局，避免标题、子图重叠
• 置信度保留2位小数，可读性更强

修复后的完整函数代码如下：

import random
import numpy as np
import matplotlib.pyplot as plt

def show_image_labels(num_pred=1, model=None, data=None, labels=None, class_names=None, figsize=(12, 12)):
    plt.figure(figsize=figsize)
    # 自适应计算子图行列数
    col_count = int(np.ceil(np.sqrt(num_pred)))
    row_count = int(np.ceil(num_pred / col_count))
    
    for i in range(num_pred):
        plt.subplot(row_count, col_count, i+1)
        random_index = random.choice(range(len(data)))
        plt.imshow(data[random_index], cmap=plt.cm.binary)
        # 单样本预测，屏蔽日志输出
        pred = model.predict(data[random_index].reshape(1, 28, 28), verbose=0)
        # 修复索引问题，获取整数标量索引
        pred_label = class_names[pred.argmax()]
        true_label = class_names[labels[random_index]]
        confidence = np.max(pred)
        plt.title(f'Prediction: {pred_label}\nTrue label: {true_label}\nConfidence: {confidence:.2f}')
        plt.axis(False)
    
    plt.tight_layout()
    plt.show()

调用时把class_names参数传入即可正常运行，示例调用：

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
show_image_labels(num_pred=16, model=model_8, data=test_data_norm, labels=test_labels, class_names=class_names, figsize=(20, 20))

内容的提问来源于stack exchange，提问作者Andrzej Olejniczak