python-2.7 - Keras 模型(tensorflow 后端)在 python 3.5 中训练得很好，但在 python 2.7 中非常糟糕

Question

我想做什么
我正在尝试使用 Keras 和 Tensorflow-GPU 作为 Python 2.7 的后端来训练卷积神经网络 (CNN) 进行图像检测，因为我需要将它与仅支持 Python 2.7(而不是 3.5)的 ROS kinetic 一起使用。我的模型是一个序列(代码见下文)。

我在用什么
Pycharm-社区 2018.1.4
凯拉斯 2.2.0
Tensorflow-GPU 1.8.0
60000 张输入图像，100x100 像素(3 个 channel )，3 个类别(“train_set”)
20000 张评估图像，相同尺寸(“evaluation_set”)

什么有效
使用 在我的 train_set 上训练模型时Python 3.5 并使用 Python 3.5 对其进行评估，它工作得非常好(train_accuracy:0.99874，evaluation_accuracy:0.9993)。

什么不起作用
使用 在我的 train_set 上训练模型时Python 2.7 并使用 Python 2.7 对其进行评估，我的准确度急剧下降(train_accuracy:0.695，evaluation_accuracy:0.543)，这只不过是对 3 个类别的猜测(即 0.3333)。
我还尝试在 Python 3.5 中训练模型并将其加载到 Python 2.7 中进行评估和预测，但结果和以前一样糟糕。

在所有情况下，我都使用完全相同的代码:

def build_model(training_input):
    model = Sequential()  
    model.add(Conv2D(32, (3, 3)) # Add some layers

    model.compile(optimizer='RMSprop', loss='categorical_crossentropy', metrics=['accuracy'])

def train():
    input_training = np.array(input_training_list)    # input_training_list is a list containing the imagedata
    labels_training = np.array(label_training_list)    # label_training_list is a list containing the labels corresponding to the imagedata
    model = create_model(input_training)
    history = model.fit(input_training, labels_training, epochs=10, shuffle=True, batch_size=20)
    model.save(model_directory + "my_model.h5")

def evaluation():
    input_evaluation = np.array(input_evaluation_list)
    labels_evaluation = np.array(label_evaluation_list)
    model = load_model(model_directory + "my_model.h5")
    loss, acc = model.evaluate(input_evaluation, labels_evaluation, batch_size=1)

我听说很多人使用不同的计算机或不同版本的 Python 在不同的 Sessions() 中加载相同的模型时遇到问题。但是这里相同的架构在两个 Python 版本中给出了完全不同的结果。

Answer 1

我找到了我的问题的解决方案(感谢 user1735003 关于我的数据的提示)。
我的糟糕结果的原因是由于 导致的错误数据实现。差异 关于 Python 2.x 和 Python 3.x .在实现我的图像数据时，我使用

for i in range(len(evaluation_files)):
    input_evaluation = np.divide(ndimage.imread(evaluation_files[i]), 255)

但问题是:在 Python 3.x 中，这工作得很好，因为两个整数的除法会产生一个浮点数，但在 Python 2.x 中，结果也是一个整数，所以我的 input_evaluation 列表只包含零。我需要 除以 255.0 (使结果为浮点数)。

input_evaluation = np.divide(ndimage.imread(evaluation_files[i]), 255.0)

或者导入 division来自 __future__从python 2中已经存在的整数除法中获取浮点结果。

from __future__ import division

使用 Python 2.x 或 Python 3.x 时存在一些主要差异，您可以在 http://sebastianraschka.com/Articles/2014_python_2_3_key_diff.html 上很好地看到这些差异。 .

我还管理在 Python 3.5 上训练我的模型，使用 model.save('my_model') 保存它并使用 keras.models.load_model('my_model') 在 Python 2.7 中加载它，它工作得很好。

使用 model.save_weights('my_weights') 也可以轻松保存权重。 ，在 Python 2.7 中创建一个相同架构(!)的新模型，并使用 model.load_weights('my_weights') 将权重加载到该模型中，但由于仅加载模型本身就可以正常工作，因此这种方式要容易得多。