Ошибка измерения при использовании метода прогнозирования на изображении в модели CNN

Question

Я пытаюсь предсказать на одном изображении, используя Keras (2.2.4) и TensorFlow (1.9.0) в качестве бэкэнда:

def enigne(data):

    img=data
    image_shape=img.shape

    num_train_samples = 4206
    num_val_samples = 916
    train_batch_size = 10
    val_batch_size = 10
    IMAGE_SIZE = 64
    IMAGE_CHANNELS = 3
    kernel_size = (3, 3)
    pool_size = (2, 2)
    first_filters = 32
    second_filters = 128
    image_resize=cv.resize(img,(64,64))

    # Loading the model
    model = Sequential()
    model.add(Conv2D(first_filters, kernel_size, activation='relu', input_shape=(64, 64, 3)))
    model.add(Conv2D(first_filters, kernel_size, activation='relu', kernel_regularizer=regularizers.l2(0.001))
    model.add(Conv2D(second_filters, kernel_size, activation='relu', kernel_regularizer=regularizers.l2(0.001)))
    model.add(MaxPooling2D(pool_size=pool_size))
    model.add(Dropout(dropout_conv))
    model.add(Flatten())
    model.add(Dense(256, activation="relu"))
    model.add(Dense(1, activation="sigmoid"))
    model.compile(Adam(lr=0.0001), loss='binary_crossentropy',
                  metrics=['accuracy'])
    datagen = ImageDataGenerator(rescale=1.0 / 255)
    model.load_weights('stableweights.h5')
    y_pred_keras = model.predict_proba(image_resize)
    p = []

    for i in y_pred_keras:
        for k in i:
            if k <= 0.421:
                p.append(0)
            else:
                p.append(1)

    return p

Я получаю ошибку, подобную этой:

ValueError: Error when checking input: expected conv2d_input to have 4 dimensions, but got array with shape (64, 64, 3) 

Как я могу преобразовать изображение, чтобы иметь правильные размеры для подачи его в модель Keras?

Answer 1

В моделях Keras ожидается партия образцов в качестве входных данных.Следовательно, в качестве оси пакета необходимо указать первую ось:

import numpy as np

image_resize = np.expand_dims(image_resize, axis=0)  # shape would be: (1, 64, 64, 3)