基于传感器图像的CNN回归模型预测结果恒同问题排查求助

先直接点明最致命的错误，再逐一排查其他潜在问题：

1. 测试数据加载函数的致命bug #

你的load_Testdata函数存在变量引用错误，导致所有测试样本加载的都是同一个图像（大概率是之前代码中遗留的imgfile变量值），这是预测结果完全一致的直接原因：

def load_Testdata(dataname):
    img_data_array = []
    # 错误：这里误用了未定义的imgfile，应该使用传入的dataname参数
    # imag = image.imread(imgfile)
    imag = image.imread(dataname)  # 修复这一行！
    imag = np.array(imag)
    imag = imag.astype('float64')
    imag /= 255
    img_data_array.append(imag)
    return img_data_array

先修复这个错误，再验证后续问题。

2. 训练轮次严重不足 #

从代码看你只训练了1个epoch：

history = model.fit(..., epochs=1)

即使你尝试过增加轮次，当前训练次数完全不足以让模型学习到数据中的模式。建议至少训练50-100个epoch，同时加入早停机制防止过拟合：

from tensorflow.keras.callbacks import EarlyStopping

early_stop = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)
# 划分10%的训练数据作为验证集
history = model.fit(
    x=np.array(img_Trainingdata, np.float64), 
    y=np.array(output_Trainingdata, np.float64), 
    epochs=100,
    validation_split=0.1,
    callbacks=[early_stop]
)

3. 模型参数过多，易引发梯度消失/过拟合 #

你的模型总参数接近960万，但从训练步数（36步）来看，训练样本量应该很小（假设batch_size=32，总样本仅1152个），参数数量远超样本量会导致模型难以有效学习。建议简化模型：

• 大幅减少全连接层的神经元数量，比如把Dense(3000)改成Dense(512)或Dense(256)
• 加入Dropout层抑制过拟合：

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(512, activation='relu'))
model.add(tf.keras.layers.Dropout(0.3))  # 添加Dropout层
model.add(tf.keras.layers.Dense(101))

4. 输出数据未归一化 #

你对图像做了归一化（imag /=255），但待预测的踝关节力矩序列没有做任何归一化处理。如果力矩值范围较大，会导致模型损失波动剧烈，梯度更新不稳定。建议对输出数据做归一化：

# 在create_dataset之后，对输出数据做归一化
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
# 拟合训练数据并归一化
output_Trainingdata_scaled = scaler.fit_transform(np.array(output_Trainingdata))

# 训练时使用归一化后的输出
history = model.fit(x=..., y=output_Trainingdata_scaled, ...)

# 预测后反归一化得到真实力矩值
pred = model.predict(...)
pred = scaler.inverse_transform(pred)

5. 确认训练数据的匹配正确性 #

检查create_dataset中图像与对应.mat文件的匹配逻辑：

• 确认imgfile[0:-5] + ".mat"能准确对应到标签文件，比如sample1.jpeg对应sample1.mat
• 随机抽取几个样本，打印图像形状和对应输出序列的长度，确保没有错位或匹配错误

6. 验证模型输入输出形状一致性 #

确认输入图像的形状确实是(101,9,3)，与模型input_shape一致；输出序列长度确实是101，与最后一层Dense(101)的输出维度匹配。

修复以上问题后，应该能解决预测结果一致的情况。如果仍有问题，可以观察训练损失曲线：如果损失一直不变或下降极慢，可尝试降低学习率（比如调到0.0001）或更换优化器。

内容的提问来源于stack exchange，提问作者Ozan Simon