Keras二分类任务中正类F1分数为0，使用flatten()仍未解决

核心错误：层顺序完全颠倒 #

你的代码里先添加Dense层再做Flatten是致命问题。DenseNet121输出的是三维特征图（形状类似(batch_size, 7, 7, 1024)），直接在特征图后接Dense层，会对每个空间位置的通道维度单独做全连接，而非把整个特征图展平成一维全局特征向量后再做全连接。这种错误的层结构会导致模型无法学习到正类的有效特征，最终出现正类F1为0的情况。

修正后的正确层顺序：

base_model = Sequential()
base_model.add(dense_net)
base_model.add(Flatten())  # 先将特征图展平为一维特征向量
base_model.add(Dense(units=8, activation='relu'))
base_model.add(Dropout(0.5))
base_model.add(Dense(1, activation='sigmoid', name='output'))

其他优化建议 #

• 解冻部分预训练层：你冻结了DenseNet的所有层，仅训练顶层小网络，可能无法提取足够适配任务的特征。可以尝试解冻最后几个卷积块（比如最后3个block），配合小学习率微调：

# 先冻结所有层
for layer in dense_net.layers:
    layer.trainable = False

# 解冻DenseNet121最后3个卷积块（约最后24层）
for layer in dense_net.layers[-24:]:
    layer.trainable = True

# 微调时使用小学习率
model1.compile(optimizer=Adam(learning_rate=1e-5), loss='binary_crossentropy', metrics=['accuracy'])

• 监控正类专属指标：训练时加入精确率、召回率指标，实时跟踪正类表现，避免仅依赖准确率：

from keras.metrics import Precision, Recall

model1.compile(
    optimizer=Adam(learning_rate=1e-4),
    loss='binary_crossentropy',
    metrics=['accuracy', Precision(name='precision'), Recall(name='recall')]
)

• 调整分类阈值：默认用0.5作为sigmoid输出的分类阈值，若模型输出整体偏低，可根据验证集的PR曲线找到更适合的阈值，而非固定使用0.5。

• 加入数据增强：即使数据集均衡，随机翻转、裁剪、亮度调整等图像增强操作能提升模型泛化能力，避免过拟合。

内容的提问来源于stack exchange，提问作者thihansa mudalige