如何在Keras中利用ImageDataGenerator和predict_generator预测单张JPEG概率？

嘿，这个问题我做项目时也碰到过，其实核心就是让ImageDataGenerator能正确输出单张图的批量数据，再传给predict_generator就行。下面给你两种实用的方法，按需选就行：

方法一：用flow_from_directory（快速上手） #

这种方法适合不想写太多预处理代码的场景，只需要临时建个简单的目录结构：

1. 创建临时目录结构
   因为flow_from_directory要求图片放在「类别子文件夹」下，哪怕只有一张图，我们可以建个临时目录：

   temp/
       placeholder_class/
           your_image.jpg
   

   这里placeholder_class只是个占位的类名，随便起就行。

2. 初始化和训练时一致的ImageDataGenerator
   重点！预测时的预处理必须和训练时完全匹配，比如训练时用了rescale=1./255，那预测时也得加，不能漏：

   from keras.preprocessing.image import ImageDataGenerator
   
   # 和训练时的预处理保持一致，比如训练时用了rescale，这里就同样设置
   test_datagen = ImageDataGenerator(rescale=1./255)
   

3. 生成单张图的生成器
   配置生成器参数，注意target_size要和模型输入尺寸一致：

   # 假设你的模型输入是(224,224,3)，就设置target_size=(224,224)
   single_img_generator = test_datagen.flow_from_directory(
       directory='temp/',
       target_size=(224, 224),
       batch_size=1,
       class_mode=None,  # 不需要标签，只输出图片数据
       shuffle=False  # 关闭打乱，保证顺序正确
   )
   

4. 用predict_generator预测
   因为只有一张图，steps设为1就行：

   # 加载你训练好的模型
   from keras.models import load_model
   model = load_model('your_trained_model.h5')
   
   predictions = model.predict_generator(single_img_generator, steps=1)
   # predictions就是模型输出的概率数组，比如二分类会得到[[0.15, 0.85]]，对应两个类别的概率
   

方法二：直接处理单张图（不用临时文件夹） #

如果不想建临时目录，可以手动处理图片后用flow方法生成器：

1. 读取并预处理单张图

   from keras.preprocessing.image import load_img, img_to_array
   import numpy as np
   
   # 读取图片并调整尺寸到模型输入大小
   img = load_img('your_image.jpg', target_size=(224, 224))
   # 转换成数组
   img_array = img_to_array(img)
   # 增加一个维度，变成批量格式(1, height, width, channels)
   img_batch = np.expand_dims(img_array, axis=0)
   

2. 用ImageDataGenerator标准化图片
   同样要和训练时的预处理一致：

   test_datagen = ImageDataGenerator(rescale=1./255)
   # 对单张图做标准化
   img_batch = test_datagen.standardize(img_batch)
   

3. 生成器并预测

   single_generator = test_datagen.flow(img_batch, batch_size=1, shuffle=False)
   predictions = model.predict_generator(single_generator, steps=1)
   

几个关键注意点 #

• 预处理必须一致：训练时用了什么归一化、标准化，预测时必须完全相同，不然结果会不准。
• 输入尺寸匹配：target_size必须和模型的输入层尺寸一致，否则会报错。
• 新版本Keras提示：如果你的Keras版本比较新，predict_generator已经被标记为弃用了，直接用model.predict(single_generator)效果是一样的。

内容的提问来源于stack exchange，提问作者Osho Agyeya