TensorFlow2.9.1报错：无法从keras.preprocessing.image导入load_img

• 导入错误由Keras版本冲突、API路径变更两个原因共同导致：
  1. 环境内同时存在独立pip安装的Keras库、TensorFlow 2.9.1内置的Keras模块，代码写from keras.xxx import xxx时，Python会优先加载独立安装的Keras，该独立Keras版本和TensorFlow内置Keras的API不对齐，其preprocessing.image模块下没有load_img、img_to_array等函数，直接触发导入报错。
  2. 从TensorFlow 2.9版本开始，image_dataset_from_directory已经从preprocessing模块迁移到utils模块下，旧的导入路径不再保留，即使不存在版本冲突，从keras.preprocessing导入该函数也会报错。

两种方案二选一即可，优先推荐第一种，长期稳定性更高：

• 方案1：将所有Keras相关导入替换为TensorFlow内置Keras的对应路径，从根源避免版本冲突。
  修正后的可运行完整代码如下：

  # 为新图像执行预测
  from tensorflow.keras.preprocessing.image import load_img, img_to_array
  from tensorflow.keras.models import load_model
  
  # 加载并预处理图像
  def load_image(filename):
      # 加载图像，统一尺寸为224*224
      img = load_img(filename, target_size=(224, 224))
      # 转换为数组格式
      img = img_to_array(img)
      # 调整维度为单样本3通道输入格式
      img = img.reshape(1, 224, 224, 3)
      # 像素值中心化处理
      img = img.astype('float32')
      img = img - [123.68, 116.779, 103.939]
      return img
  
  # 加载图像并执行类别预测
  def run_example():
      img = load_image('test.jpg')
      # 加载预训练模型
      model = load_model('final_model.h5')
      # 执行预测
      result = model.predict(img)
      print(result[0])
  
  # 程序入口
  run_example()
  

  如果需要导入image_dataset_from_directory，使用路径from tensorflow.keras.utils import image_dataset_from_directory即可。
• 方案2：卸载环境中独立安装的Keras包，消除导入优先级冲突，执行以下命令后原有代码可正常运行：

  pip uninstall -y keras
  

  注意执行命令前确认当前Python解释器和运行代码所用的是同一个环境，避免卸载到其他环境的包。

内容的提问来源于stack exchange，提问作者Sattawat