Keras model.fit_generator() 提供 0.0% 的验证准确度

我有一些按文件夹排列的训练图像，一些验证图像和一些测试图像。我正在使用图像生成器，因为没有。的图像是不够的。我正在使用此代码：

height=150
width=150
channels=3
batch_size=32
seed=1337

# Training generator
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(train_dir,target_size=(height,width),batch_size=batch_size,seed=seed,class_mode='categorical')

# Test generator
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(height,width),batch_size=batch_size,seed=seed,class_mode='categorical')

并获得输出：

找到属于 5 个类别的 723 个图像。

找到属于 5 个类别的 144 个图像。

这是我的模型架构：

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(150, 150, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# the model so far outputs 3D feature maps (height, width, features)
model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors
model.add(Dense(64))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(5))
model.add(Activation('softmax'))

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

这是代码.fit_generator()：

history = model.fit_generator(
        train_generator,
        steps_per_epoch=2000 // 64,
        epochs=5,
        validation_data=test_generator,
        validation_steps=800 // 64)

我收到accuracy的70%经过5 epochs，但不幸的是val_acc和val_loss遗迹0.00000e+00，我不太能弄清楚。我还有一个文件夹，里面有 20 张图片，需要预测。我如何.predict()对它们使用函数？我没有任何.csv给出标签的文件。单独的文件夹中只给出了训练图像，其名称基本上是图像的类别。