当我请求 Keras 将带有拟合模型的预测应用于没有标签的新数据集时，如下所示：
model1.predict_classes(X_test)
它工作正常。但是当我尝试只对一行进行预测时，它失败了：
model1.predict_classes(X_test[10])
Exception: Error when checking : expected dense_input_6 to have shape (None, 784) but got array with shape (784, 1)
我想知道为什么？
你可以做：
q = model.predict( np.array( [single_x_test,] ) )
predict_classes期待一个二维数组 shape (num_instances, features)，就像X_test是。但是像 in 那样索引单个实例会X_test[10]返回一个 shape 的一维数组(features,)。
要重新添加额外的轴，您可以使用、 或，或者一开始就不要删除它（例如，使用）。np.expand_dims(X_test[10], axis=0)X_test[10][np.newaxis,:]X_test[10:11]
目前（Keras v2.0.8）在批量训练后需要更多的努力来获得单行的预测。
基本上，batch_size在训练时是固定的，并且在预测时必须相同。
现在的解决方法是从经过训练的模型中获取权重，并将其用作您刚刚创建的新模型中的权重，该模型的 abatch_size为 1。
快速代码是
model = create_model(batch_size=64)
mode.fit(X, y)
weights = model.get_weights()
single_item_model = create_model(batch_size=1)
single_item_model.set_weights(weights)
single_item_model.compile(compile_params)
这是一篇更深入的博客文章。
我过去曾使用这种方法在预测时拥有多个模型——一个对大批量进行预测，一个对小批量进行预测，一个对单个项目进行预测。由于批量预测效率更高，这使我们可以灵活地接受任意数量的预测行（不仅仅是可以被 整除的数字batch_size），同时仍然可以非常快速地获得预测。
这将是如何预测一个元素，这次是数字 17。
model.predict_classes(X_test[17:18])