使用Keras和TensorFlow进行航空影像分类：保存模型预测结果随机问题咨询

云上老周

2026-5-26

解决Keras/TensorFlow保存模型后预测结果随机性问题

我太懂这种糟心的感觉了——花了好大力气训练好的航空影像分类模型，存成h5格式后用来预测新区域，结果每次跑出来的预测结果都不一样，完全没个准数。结合你用256×256切片、Sequential模型加ImageDataGenerator的场景，我整理了几个最可能的诱因和对应的解决办法：

全局随机种子没固定
TensorFlow和Keras里从权重初始化、数据增强到Dropout层的操作，很多都依赖随机数生成。如果没在代码最开头就把所有相关的随机种子固定死，每次运行程序时这些随机操作的输出都会变，直接导致预测结果波动。你可以在代码开头加上这段：
```
import numpy as np
import tensorflow as tf
import random

# 固定numpy的随机种子
np.random.seed(42)
# 固定Python原生随机模块的种子
random.seed(42)
# 固定TensorFlow的全局随机种子
tf.random.set_seed(42)
# 要是用的是TensorFlow 2.0以下的版本，还得加这句：
# tf.set_random_seed(42)
```
预测时还在做数据增强
你训练时用ImageDataGenerator加了各种数据增强（比如随机翻转、缩放、旋转）来提升模型泛化能力，但如果预测阶段的生成器还保留这些随机增强操作，那每次输入模型的测试切片都会被随机修改，结果当然不一样！预测时一定要把生成器改成只做归一化，关掉所有随机增强：
```
# 预测用的生成器，只保留归一化，去掉所有随机增强
test_datagen = ImageDataGenerator(rescale=1./255)
```
Dropout/BatchNorm层没切换到推理模式
要是你的模型里有Dropout或者BatchNormalization层，训练和推理阶段的行为是不一样的——训练时Dropout会随机丢弃神经元，BatchNorm会用当前批次的均值方差；但推理时需要固定这些参数。虽然Keras的predict方法默认会自动切换模式，但有时候加载模型后如果有自定义操作，可能会出问题。保险起见，加载模型后可以手动设置：
```
model = tf.keras.models.load_model('your_trained_model.h5')
model.trainable = False  # 强制模型进入推理模式
# 旧版Keras可以用这句：tf.keras.backend.set_learning_phase(0)
```
模型保存/加载的兼容性问题
h5格式虽然方便，但如果训练和预测环境的TensorFlow/Keras版本不一致，可能会导致模型权重或结构加载异常，间接引发预测结果不稳定。建议你检查两边的环境版本是否一致，或者改用TensorFlow官方推荐的SavedModel格式保存（稳定性更强）：
```
# 保存为SavedModel格式
model.save('your_saved_model_dir')
# 加载模型
model = tf.keras.models.load_model('your_saved_model_dir')
```
测试数据加载时开启了打乱
如果你用flow_from_directory加载测试数据时设置了shuffle=True，那每次加载的样本顺序都会变。虽然单个样本的预测结果应该一致，但如果后续有批量统计或者可视化操作，看起来就像是结果“随机”了。预测时一定要把shuffle设为False：
```
test_generator = test_datagen.flow_from_directory(
    'your_test_data_path',
    target_size=(256, 256),
    batch_size=32,
    shuffle=False  # 固定样本顺序，确保每次输入一致
)
```

内容的提问来源于stack exchange，提问作者Borealis