TensorFlow图像分类模型训练精度达标但每次返回相同预测问题

你的模型训练/验证精度显示95%以上，但每次预测返回近乎一致的结果，核心是两处代码逻辑错误：

1. 损失函数与模型输出不匹配 #

模型最后一层使用softmax激活输出概率分布，但编译时设置了SparseCategoricalCrossentropy(from_logits=True)。from_logits=True仅适用于未经过激活的原始输出（logits），此配置会导致损失计算逻辑错误，模型实际并未学习到有效特征，训练精度是虚假的。

修复：
将损失函数的from_logits改为False：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['accuracy'])

2. 预测阶段重复执行Softmax #

模型输出已经是softmax处理后的概率，你在预测时又调用tf.nn.softmax(predictions[0])，对已归一化的概率再次软化，导致结果失真。

修复：
直接使用模型输出的概率值：

predictions = model.predict(img_array)
score = predictions[0]  # 无需再次计算softmax

额外验证点 #

• 检查验证集路径dataset_pathh是否为笔误，确保训练/验证集是独立的，避免因数据集重复导致精度虚高。
• 确认预测时的图像预处理和训练完全一致：当前代码中img_array / 255和训练时的Rescaling(1./255)匹配，灰度转换逻辑也没问题，无需调整。

修改后重新训练模型，即可得到符合预期的预测结果。

内容的提问来源于stack exchange，提问作者Kristaps Ālmanis