Keras 2中predict_generator输出不一致问题求助（batch数非整数）

嘿，我太懂这种被一个小bug卡两个月的憋屈感了！刚好我之前也踩过Keras里predict_generator的这个坑，给你几个实打实的解决办法：

问题根源 #

核心问题出在**最后一个batch的样本数不足batch_size（64）**时，predict_generator会默认返回长度为batch_size的预测数组，但多出来的部分其实是无效的重复/错误值，这就导致你得到的probs1包含了多余的错误预测，和正确的probs2对不上。

具体解决方案 #

方案1：手动计算步数并截取正确结果 #

这是最直接的修复方式，先明确总样本数，计算需要的步数，最后截取对应数量的预测结果：

import numpy as np

# 获取测试集总样本数
total_test_samples = len(batches.filenames)
# 计算需要的步数：向上取整总样本数/batch_size
steps = np.ceil(total_test_samples / 64).astype(int)
# 执行预测
probs1 = model.predict_generator(batches, steps=steps)
# 截取前total_test_samples个结果，去掉最后batch多出来的无效值
probs1 = probs1[:total_test_samples]

⚠️ 注意：一定要确保测试生成器设置了shuffle=False，否则预测结果的顺序会和样本对应不上，还是会出现不一致的情况。

方案2：改用model.predict直接处理生成器 #

Keras 2后期版本其实已经推荐直接用model.predict()接收生成器，行为比predict_generator更稳定，同样配合步数和截取：

probs1 = model.predict(batches, steps=steps)
probs1 = probs1[:total_test_samples]

方案3：加载全部测试数据到内存（内存允许时） #

如果你的测试集数据量不大，直接把所有数据加载到内存里用predict，完全避开生成器的batch问题：

# 循环读取生成器的所有batch
x_test = []
for i in range(len(batches)):
    batch_x, _ = batches[i]
    x_test.append(batch_x)
# 拼接成完整的测试集
x_test = np.concatenate(x_test)
# 直接预测
probs1 = model.predict(x_test)

额外提示 #

predict_generator在Keras的新版本里已经被标记为弃用了，建议尽量使用model.predict()替代，后续维护和兼容性更好。

内容的提问来源于stack exchange，提问作者Jenia Golbstein