为何Softmax分类器首轮训练出现极高损失与验证准确率1.0？

从你提供的训练结果和代码来看，导致这种异常的核心原因可以从以下几个方向排查：

1. 数据集与标签的根本性问题 #

• 数据未归一化：你的输入图像尺寸是(724,150,1)，如果像素值是原始0-255范围且未做归一化（比如除以255缩放到0-1区间），会导致模型首轮loss值异常巨大（你首轮loss达到3.8e8），Adam优化器可能在这种极端数值下直接将参数调整到极端值，让模型瞬间“记住”所有样本，后续loss直接降至0。
• 数据集分布异常：检查训练集/测试集的标签分布——如果训练集中某一类占比极高（比如首轮准确率0.9764，接近单类主导），或者测试集所有样本标签完全一致，模型无需学习就能输出正确结果，直接得到val_acc=1.0。另外要确认训练集和测试集是否存在数据重复，比如测试集样本完全包含在训练集内，导致模型直接过拟合到测试集。
• 标签匹配错误：确认train与train_labels、test与test_labels是否一一对应，有没有出现标签错位或全部标签设置错误的情况。

2. 模型与损失函数的不匹配 #

你尝试修改标签格式，但未同步调整模型和损失函数，这会导致逻辑错误：

• 当标签是[1]/[0]这种单值格式时，应使用二元分类配置：
  • 输出层改为Dense(1, activation='sigmoid')，而非2个节点的softmax
  • 损失函数改为loss='binary_crossentropy'，而非categorical_crossentropy
• 你当前用Dense(2, softmax)配合categorical_crossentropy，要求标签必须是one-hot编码（[1,0]或[0,1]），若改成单值标签后仍沿用这套配置，会导致损失计算逻辑混乱，模型可能直接输出极端值来拟合错误的损失计算结果。

3. 训练流程的潜在问题 #

• 检查to_categorical的使用：如果原始train_labels已经是one-hot编码，再次调用to_categorical会导致标签格式错误（比如把[1,0]转换成[[0,1],[1,0]]），完全打乱标签逻辑，模型用错误标签训练后会出现异常结果。
• 确认数据打乱是否生效：虽然你尝试了打乱，但要检查model.fit中shuffle参数是否为True（默认是True，但如果自定义数据加载逻辑有问题，可能打乱未实际生效）。

内容的提问来源于stack exchange，提问作者C Torgs