终于构建出了第一个神经网络，Keras真的很方便。
之前不知道Keras这么方便，在构建神经网络的过程中绕了很多弯路，最开始学的TensorFlow，后来才知道Keras。
TensorFlow和Keras的关系，就像c语言和python的关系，所以Keras是真的好用。
搞不清楚数据的标准化和归一化的关系，想对原始数据做归一化，却误把数据做了标准化，导致用model.predict预测出来的值全是0.0，在网上搜了好久但是没搜到答案，后来自己又把程序读了一遍，突然灵光一现好像是数据归一化出了问题，于是把数据预处理部分的标准化改成了归一化，修改过来之后才能正常预测出来值，才得到应有的数据趋势。
标准化：
(x-mean(x))/std(x) 这是使用z-score方法规范化
归一化：
(x-min(x))/(max(x)-min(x)) 这是常用的最小最大规范化方法
补充知识：keras加载已经训练好的模型文件，进行预测时却发现预测结果几乎为同一类（本人预测时几乎均为为第0类）**
原因：在进行keras训练时候，使用了keras内置的数据读取方式，但是在进行预测时候，使用了自定义的数据读取方式，本人为图片读取。
解决办法查看如下代码：
代码语言：javascript复制##############训练：
train_gen = ImageDataGenerator(rotation_range=10,
width_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
fill_mode='constant',
cval=0)
train_generator = train_gen.flow_from_directory(train_path,
target_size=(224, 224),
batch_size=16,
class_mode='categorical',
save_to_dir=train_g,
save_prefix='man',
save_format='jpg')
#############预测
img = cv2.imread(img_path)
img = cv2.resize(img, (row, col))
img = np.expands(img, axis=0)
out = model.predict(img)
# 上述方法是不行的，仔细查看keras内置读取方式，可以观察到内置了load_img方式
# 因此，我们在预测时候，将读取图片的方式改为
from keras.preprocessing.image import load_img, img_to_array
img = load_img(img_path)
img = img_to_array(img, target_size=(row, col))
img = np.expands(img, axis=0)
out = model.predict(img)注：本文意在说明 对训练数据和预测数据的读取、预处理方式上应该在某种程度上保持一致，从而避免训练结果和真实预测结果相差过大的情况。
以上这篇Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)就是小编分享给大家的全部内容了，希望能给大家一个参考。
