CNN模型异常问题：同一图像多次预测结果不一致的原因探究

首先直接说结论：你的预测结果每次波动是测试阶段用了随机数据增强导致的，而更深层的问题是你的模型根本没学会任何分类能力——从训练日志里loss一直卡在0.693左右就能看出来，这是模型在随机猜测时的典型BCELoss数值（ln(0.5)≈-0.693）。

一、预测结果波动的直接原因：随机裁剪在捣乱 #

你定义的训练transform里包含了transforms.RandomCrop((299, 299))，这个操作是随机截取图像区域——每次处理同一张图时，都会从356x356的图像里随机切出一个299x299的块。这就导致每次输入模型的图像其实是不一样的，预测结果自然会变。

训练时用随机裁剪是为了做数据增强，提升泛化能力，但预测时必须用固定的预处理逻辑，不能有随机操作。你需要单独定义一个测试用的transform：

test_transform = transforms.Compose(
    [
        transforms.Resize((299, 299)),  # 直接resize到模型要求的输入尺寸，不要随机裁剪
        transforms.ToTensor(),
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
    ]
)

然后预测时改用这个transform，同时加上torch.no_grad()避免不必要的梯度计算，还要确保tensor和模型在同一个设备上：

model.eval()
img = Image.open('train/cat.22.png').convert("RGB")
img_t = test_transform(img)
batch_t = torch.unsqueeze(img_t, 0).to(device)  # 和模型保持同设备（GPU/CPU）
with torch.no_grad():
    out = model(batch_t)
print(out)

二、模型未有效训练的核心问题（loss≈0.693） #

你的模型本质上是在瞎猜，根本没学到猫狗的特征，主要原因可能有这几点：

1. 训练样本量太少 #

你只给了模型162个训练样本，这个数量对于微调InceptionV3这种大型预训练模型来说远远不够，模型根本无法学到有效的分类模式。建议：

• 增加训练数据量（如果可以的话）
• 换用更轻量的模型（比如MobileNetV2）
• 训练时加更多数据增强（比如RandomHorizontalFlip、RandomRotation等）

2. 学习率太低 #

你用的1e-5学习率对于只训练全连接层的微调来说，可能偏慢，导致模型参数更新极其缓慢，甚至没机会收敛。可以尝试把学习率调到1e-4或5e-5，观察loss是否下降。

3. 预训练模型冻结过度 #

你的代码里只让全连接层（fc）的参数参与训练，但InceptionV3的fc层是随机初始化的，仅靠162个样本训练一个随机层，很难学到东西。可以尝试解冻部分顶层卷积层（比如最后2-3个Inception模块），让模型能结合预训练特征进行微调：

# 修改冻结逻辑，解冻顶层部分卷积层
for name, param in model.inception.named_parameters():
    if "fc" in name or "Mixed_7" in name:  # 解冻fc层和最后一个Inception模块
        param.requires_grad = True
    else:
        param.requires_grad = train_CNN

4. 检查标签和数据加载是否正确 #

确认你的train_csv.csv里的标签完全正确：所有猫的图像对应label=0，狗对应label=1；另外检查数据集类读取图像时，有没有出现图像损坏、路径错误的情况。

先解决预测阶段的随机裁剪问题，让结果稳定下来，再针对模型训练无效的问题调整数据、学习率或冻结策略，慢慢就能看到模型效果提升了。

内容的提问来源于stack exchange，提问作者user164863