CNN模型添加数据增强后无法学习，验证精度仅12%求助

你的代码存在几个关键问题，直接导致引入数据增强后模型无法有效学习，逐一拆解：

• 生成器与训练参数不匹配，epoch训练数据量异常
  你先按batch_size=8定义了train_gen并计算steps_per_epoch，但实际训练时却用data_gen.flow(..., batch_size=32)生成新的生成器，这会导致：

  1. 每个batch样本数变为32，但步数仍按8计算，每个epoch实际处理的样本数远超训练集总量，模型会反复重复训练部分样本，学习效率极低；
  2. model.fit中同时传入生成器和batch_size属于冗余操作，生成器已指定batch_size，这里的batch_size=8会被忽略，进一步加剧参数混乱。

• 无意义的data_gen.fit(x_train, augment=True)调用
  你的ImageDataGenerator仅使用平移、翻转这类几何增强，没有归一化、ZCA白化这类需要计算训练集统计量的操作，fit调用完全没必要，且augment=True在此处无效——fit是用来计算数据统计特征的，并非执行数据增强。

• 验证集预处理一致性（潜在风险）
  如果训练集在增强前有预处理（比如归一化），验证集必须执行完全相同的预处理步骤，但不能做数据增强，否则会导致数据分布不一致，精度骤降。

修复后的代码示例 #

batch_size = 32  # 统一batch_size，避免参数混乱
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 定义数据增强器
data_gen = ImageDataGenerator(
    width_shift_range=0.1,
    height_shift_range=0.1,
    horizontal_flip=True,
)

# 生成训练集增强数据生成器
train_gen = data_gen.flow(x_train, y_train, batch_size=batch_size)
# 正确计算步数：训练集总样本数除以batch_size
steps_per_epoch = x_train.shape[0] // batch_size

# 训练模型，直接使用定义好的train_gen，避免重复生成
r = model.fit(
    train_gen,
    validation_data=(x_test, y_test),  # 确保x_test与x_train预处理一致且无增强
    steps_per_epoch=steps_per_epoch,
    epochs=15,
    verbose=1
)

额外优化建议 #

1. 检查数据集是否类别不平衡，12%的精度可能刚好对应占比最高类别的比例（比如10类数据随机猜测精度约10%），若不平衡需加入类别权重或重采样；
2. 可先调低增强幅度（比如把平移范围改为0.05），确认模型能正常学习后再逐步提升增强强度；
3. 若原模型复杂度不足，增强后数据分布的变化会导致模型拟合困难，可适当增加模型层数或神经元数量。

内容的提问来源于stack exchange，提问作者NandeReshi