为何每次运行TensorFlow模型结果都变化？训练数据预测也不符预期

你的代码存在几个核心问题，导致模型输出波动且无法得到预期的[1,0,0]结果：

1. 数据集严重不平衡 #

训练数据中仅1个正样本（标签1），其余6个均为负样本（标签0）。这种极端不平衡会让模型倾向于预测0来获取高准确率，同时训练过程极不稳定，每次收敛方向都可能存在差异。

2. 模型初始化的随机性 #

TensorFlow.js默认随机初始化模型权重，每次运行程序时权重起点不同，导致训练后的模型参数差异较大，最终输出结果波动。

3. 训练配置不合理 #

• 样本量极少的情况下，带ReLU的中间层容易导致模型过拟合或无法有效学习正样本特征
• 200轮训练可能不足以让模型在极端不平衡的数据下稳定收敛

解决办法 #

（1）修复数据不平衡问题

• 补充正样本：收集更多用户喜欢的样本（比如[1,1,1]的变体或其他符合正标签的数据），这是最根本的解决方式
• 使用类别权重：在model.fit中设置classWeight，给正样本更高权重，让模型重视少数类：

  model.fit(inputData, labelData, {
    epochs: 500,
    classWeight: {
      0: 1,
      1: 6  // 正样本权重设为负样本的6倍，抵消数量差距
    }
  })
  

（2）固定随机种子，消除结果波动

在代码开头添加随机种子设置，确保每次模型初始化的权重一致：

tf.setRandomSeed(42); // 固定随机种子，数值可任意选择

（3）调整模型与训练参数

• 简化模型：极小样本集下，去掉中间ReLU层，直接用线性输出层避免过拟合：

  const model = tf.sequential();
  model.add(tf.layers.dense({ inputShape: [3], units: 1, activation: 'sigmoid' }));
  

• 增加训练轮次：将epochs调到500甚至1000，让模型有足够时间学习正样本特征
• 调整学习率：适当提高Adam优化器的学习率，加快收敛：

  model.compile({ 
    optimizer: tf.train.adam(0.01), // 默认学习率0.001，这里提高到0.01
    loss: 'binaryCrossentropy', 
    metrics: ['accuracy'] 
  });
  

修改后的完整示例代码 #

tf.setRandomSeed(42);

// Input data (genre, duration, lead actor)
const data = [
  [1, 1, 1],    // like it
  [0, 0, 1],    // doesn't like it
  [1, 0, 0],    // doesn't like it
  [0, 1, 0],    // doesn't like it
  [0, 1, 1],    // doesn't like it
  [1, 0, 1],    // doesn't like it
  [1, 1, 0],    // doesn't like it
];

// Tags (0 - Dislike, 1 - Like)
const labels = [1, 0, 0, 0, 0, 0, 0];

const model = tf.sequential();
model.add(tf.layers.dense({ inputShape: [3], units: 1, activation: 'sigmoid' }));

model.compile({ 
  optimizer: tf.train.adam(0.01), 
  loss: 'binaryCrossentropy', 
  metrics: ['accuracy'] 
});

const inputData = tf.tensor2d(data, [data.length, 3]);
const labelData = tf.tensor1d(labels);

model.fit(inputData, labelData, { 
  epochs: 1000,
  classWeight: { 0: 1, 1: 6 }
})
.then(() => {
  const testData = [
    [1, 1, 1],    // like it
    [0, 1, 0],    // Don't like it
    [0, 0, 1]     // Don't like it
  ];

  const predictions = model.predict(tf.tensor2d(testData));
  const predictedLabels = predictions.round().dataSync();

  console.log('result:', predictedLabels); // 预期输出[1,0,0]
});

内容的提问来源于stack exchange，提问作者Oleksii Shkulipa