Keras 'Sequential' object has no attribute 'predict_classes' 错误解决

问题描述

在使用 Keras 进行多分类模型的性能评估时，您可能会遇到以下错误：

AttributeError: 'Sequential' object has no attribute 'predict_classes'

这个错误通常发生在使用 TensorFlow 2.6 或更高版本时，当尝试使用 model.predict_classes() 方法获取预测类别时会出现。虽然这段代码在 TensorFlow 早期版本中可以正常工作，但由于 API 更新，该方法已被弃用并最终移除。

解决方案

根据您使用的分类类型（多分类或二分类），有以下几种解决方案：

多分类问题（使用 softmax 激活函数）

对于多分类问题，替代 predict_classes() 的方法是：

# 获取预测概率
predictions = model.predict(X_test)

# 获取预测类别（取概率最大的类别）
y_pred_classes = np.argmax(predictions, axis=-1)

或者简写为：

y_pred_classes = np.argmax(model.predict(X_test), axis=-1)

二分类问题（使用 sigmoid 激活函数）

对于二分类问题，可以使用以下方法：

# 方法1：使用阈值0.5进行分类
y_pred_classes = (model.predict(X_test) > 0.5).astype("int32")

# 方法2：使用四舍五入
y_pred = model.predict(X_test)
y_pred_classes = np.round(y_pred).astype(int)

代码示例

以下是一个完整的多分类示例，展示如何正确进行预测：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(24, input_dim=13, activation='relu'))
model.add(Dense(18, activation='relu'))
model.add(Dense(6, activation='softmax'))  # 多分类，使用softmax
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, batch_size=256, epochs=10, verbose=2, validation_split=0.2)

# 评估模型
score, acc = model.evaluate(X_test, y_test, verbose=2, batch_size=256)
print('Test accuracy:', acc)

# 正确的预测方法（替代 predict_classes）
predictions = model.predict(X_test)
yhat_classes = np.argmax(predictions, axis=-1)  # 获取预测类别

版本兼容性说明

WARNING

从 TensorFlow 2.6 开始，predict_classes() 方法已被完全移除。在 TensorFlow 2.5 中，该方法仍然可用但会显示弃用警告。

如果您使用的是 TensorFlow 2.5，您可能会看到以下警告：

UserWarning: model.predict_classes() is deprecated and will be removed after 2021-01-01. Please use instead: np.argmax(model.predict(x), axis=-1) for multi-class classification, or (model.predict(x) > 0.5).astype("int32") for binary classification.

总结

• predict_classes() 方法已在 TensorFlow 2.6+ 中移除
• 对于多分类问题，使用 np.argmax(model.predict(x), axis=-1)
• 对于二分类问题，使用 (model.predict(x) > 0.5).astype("int32")
• 建议更新代码以避免未来版本兼容性问题

通过使用这些替代方法，您可以继续在最新版本的 TensorFlow 中获取模型的预测结果，而不会遇到属性错误。