使用ResNet50构建图像字幕模型时调用model.predict()报ndim属性错误

嘿，我一眼就揪出了导致这个错误的两个关键问题，咱们一步步来修正：

核心错误点 #

1. 直接传递字符串给模型预测：你明明已经对inSeq做了tokenizer编码和序列填充，得到了符合模型输入要求的sequence，但调用model.predict()时却错误地传入了原始字符串inSeq——Keras模型只接受数值型张量，自然会报错说字符串没有ndim属性。
2. 未正确解析模型预测结果：model.predict()返回的是形状类似(1, vocab_size)的概率分布数组，你需要先提取概率最大的索引（用np.argmax()），再传给word_for_id，而不是直接把整个数组丢进去。另外你的word_for_id调用还漏传了tokenizer参数！

修正后的createCaptions函数 #

def createCaptions(tokenizer, photoData, MaxLength, model):
    # 可选：如果需要保存生成的字幕，初始化一个列表
    captions = []
    for key, feature in photoData.items():
        inSeq = "START"
        for i in range(MaxLength):
            # 对输入序列做编码和填充（这部分你之前写了但没用到）
            sequence = tokenizer.texts_to_sequences([inSeq])[0]
            sequence = pad_sequences([sequence], maxlen=MaxLength)
            # 传入处理好的sequence，而非原始字符串inSeq
            # 图像特征可以用squeeze简化维度处理
            pred = model.predict([feature.squeeze(), sequence])
            # 取概率最大的词索引
            word_id = np.argmax(pred[0])
            # 正确传递tokenizer参数给word_for_id
            ID = word_for_id(word_id, tokenizer)
            if ID is None:
                break
            inSeq += " " + ID
            if ID == "END":
                break
        print(inSeq)
        captions.append(inSeq)
    return captions  # 可选：返回生成的字幕列表

配套修正word_for_id函数 #

确保函数参数和调用一致：

def word_for_id(integer, tokenizer):
    for word, index in tokenizer.word_index.items():
        if index == integer:
            return word
    return None

额外优化提示 #

• 图像特征处理可以用feature.squeeze()替代feature[0][0][0]，不管原始特征是(1,1,1,2048)还是其他嵌套形状，都能直接得到(2048,)的一维数组，更鲁棒。
• 原代码中caption = createCaptions(...)不会得到有效结果，因为函数原本没有返回值，修正后的函数添加了返回字幕列表的逻辑，方便后续使用。

内容的提问来源于stack exchange，提问作者anonymous