预训练ResNet50模型混淆矩阵异常仅识别一类问题排查

以下是几种常见的原因及排查方向：

• 数据集类别不平衡：如果训练集里某一类样本数量远多于另一类，模型会“偷懒”优先预测数量多的类别来降低损失。去train文件夹下数一下两个子文件夹的样本数量，看看是不是差距悬殊。
• 标签映射不匹配：测试生成器的类别索引和模型输出的类别索引可能对不上。比如模型输出的索引0对应B类，但test_generator.classes里的0实际是A类，导致看起来全预测成0类。可以打印test_generator.class_indices看看类别和索引的对应关系，再对比模型预测结果的分布。
• 模型训练不到位：训练轮数太少，模型还没学到区分两类的特征；或者学习率设置得不合适，导致模型卡在了局部最优解，一直输出同一类。可以查看训练过程中的loss和accuracy曲线，看是不是没下降或者波动异常。
• 训练与测试预处理不一致：训练时的图像预处理（比如归一化、尺寸调整、数据增强）和测试时的不一样。比如训练时对图像做了特定的像素归一化，测试时没做，模型就没法正确识别。检查train_generator和test_generator的预处理参数是否完全一致。
• 预训练层冻结过度：如果把ResNet50的所有层都冻结了，只训练最后一层分类器，可能分类器能力不够，没法学到区分两类的深层特征。可以尝试解冻ResNet50顶层的几层卷积层，和分类器一起训练。
• 样本本身区分度低或标注错误：两类样本的视觉特征本来就很像，或者存在大量标注错误的样本，导致模型学不到有效区分的特征。手动挑一些样本看看，是不是两类长得太像，或者有标错类的情况。

内容的提问来源于stack exchange，提问作者SanKyuu