BinaryCrossentropy二分类模型仅预测单一类别，无法生成完整混淆矩阵

1. 核心配置修正 #

• 二分类任务必须用sigmoid激活+BinaryCrossentropy，softmax是为多分类设计的，强制用于二分类会放大类别不平衡的负面影响，直接放弃使用。
• 启用BinaryCrossentropy的from_logits=True参数，把sigmoid整合到损失计算中，避免激活函数饱和导致的梯度消失，模型最后一层不要加激活函数：

  loss = tf.keras.losses.BinaryCrossentropy(from_logits=True)
  model.compile(
      optimizer='adam',
      loss=loss,
      metrics=['accuracy', tf.keras.metrics.Precision(), tf.keras.metrics.Recall()]
  )
  

• 给正例设置类别权重，计算方式为class_weight = {0: 1, 1: 总样本数/(2*正例样本数)}，比如总样本1000、正例60时，正类权重约为8.33，让模型优先关注少数类的错误。

2. 数据层面优化 #

• 过采样少数类：对正例图像做随机翻转、旋转、缩放等数据增强，避免直接复制样本导致过拟合。
• 加权采样训练集：用tf.data.Dataset的sample_from_datasets，按比例从正负类数据集中采样，确保每个batch的正负样本比例均衡（比如1:1）：

  pos_ds = tf.data.Dataset.from_tensor_slices((pos_imgs, pos_labels))
  neg_ds = tf.data.Dataset.from_tensor_slices((neg_imgs, neg_labels))
  # 按权重采样，让batch中正负样本数量接近
  weighted_ds = tf.data.Dataset.sample_from_datasets([pos_ds, neg_ds], weights=[0.5, 0.5])
  

• 验证集必须保持原始数据分布，不能做采样调整，避免评估结果失真。

3. 评估指标与阈值调整 #

• 放弃以准确率为核心指标，重点关注precision、recall、F1-score。手动调整分类阈值（默认0.5对少数类不友好），比如降低到0.3提升召回率：

  # 自定义阈值计算混淆矩阵
  def get_confusion_matrix(y_true, y_pred):
      y_pred = tf.where(y_pred > 0.3, 1, 0)
      tn, fp, fn, tp = tf.math.confusion_matrix(y_true, y_pred, num_classes=2).numpy().ravel()
      return tp, fp, fn, tn
  

• 在训练回调中记录每个epoch的混淆矩阵，跟踪模型对正例的识别能力。

4. 模型与训练策略调整 #

• 简化模型结构，减少卷积层/神经元数量，添加Dropout层（如tf.keras.layers.Dropout(0.2)）避免过拟合多数类。
• 使用早停法：当验证集的precision不再提升时停止训练，恢复最优权重：

  early_stopping = tf.keras.callbacks.EarlyStopping(
      monitor='val_precision',
      patience=5,
      restore_best_weights=True
  )
  

• 降低学习率（比如用tf.keras.optimizers.Adam(learning_rate=1e-4)），避免模型快速收敛到极端预测。

针对"仅首个epoch有tp/fp"的排查 #

• 检查标签格式：二分类标签必须是单维度0/1数组，不要转成one-hot编码（那是多分类格式），如果之前做了转换，改回一维数组或用tf.expand_dims(y, axis=-1)调整维度。
• 验证数据加载逻辑：在训练前打印每个batch的正负样本数量，确保每个epoch都能采样到正例：

  for x, y in weighted_ds.take(1):
      print(f"Batch正例数量: {tf.reduce_sum(y).numpy()}")
  

内容的提问来源于stack exchange，提问作者Dr E Alskaf