在数据集制作时使用了tfrecord格式进行记录，解码产生的tensor为

tf.Tensor([[ 105.  107.   86. ...   71.  104. -128.]], shape=(1, 12288), dtype=float32)

直接读取图片解码产生的tensor为

tf.Tensor([[105. 107.  86. ...  71. 104. 128.]], shape=(1, 12288), dtype=float32)

两者数据不统一
tfrecord解码方式如下

# 映射函数，用于解析一条example
def _parse_function (exam_proto): 
    return tf.io.parse_single_example (exam_proto, feature_description)
#读取返回数据集
def read_dataset(record_path):
    reader = tf.data.TFRecordDataset(record_path) # 打开一个TFrecord
    #reader = reader.shuffle (buffer_size = 1000) # 在缓冲区中随机打乱数据
    reader = reader.map (_parse_function) # 解析数据
    #for row in reader.take(1): #获取指定数量的数据集
    labels = []
    imgs = []
    for row in reader:                #遍历数据集
        label = tf.cast(row['label'],dtype=tf.float32)
        label = label - 1
        img = tf.io.decode_raw(row['img_raw'],out_type=tf.int8)
        img = tf.cast(img,dtype=tf.float32)
        labels.append(label)
        imgs.append(img)

直接读取图片解码方式如下

img = tf.io.read_file (test_img_path)
img_raw = tf.image.decode_bmp (img)
img_raw = tf.cast(img_raw,dtype=tf.float32)
x_predict = tf.convert_to_tensor(img_raw)
x_predict = tf.reshape(x_predict,[1,-1])

分析数据发现有部分图片字节数值相反，随怀疑数据类型问题
在将tfrocord编码方式中

img = tf.io.decode_raw(row['img_raw'],out_type=tf.int8)

替换为

img = tf.io.decode_raw(row['img_raw'],out_type=tf.uint8)

后问题得以解决