重训练InceptionResNetV2后，CIFAR100模型真实准确率计算及分类报告异常排查

核心问题原因 #

你遇到的分类报告异常（仅第73类召回率为1，其余为0）+ UndefinedMetricWarning，本质是sklearn分类报告的输入标签格式不匹配：

• classification_report要求传入整数形式的真实标签和预测标签，但你大概率传入了独热编码格式的标签，或是预测结果未从概率分布转为整数标签，导致模型预测结果被错误匹配，最终表现为所有样本都被判定为第73类。

分步解决方案 #

1. 修正标签与预测结果的格式 #

处理真实标签

如果测试集标签做了独热编码，需要转换回整数形式：

import numpy as np
# 假设y_test是独热编码后的测试集标签，shape为(样本数, 100)
y_test_true = np.argmax(y_test, axis=1)

处理预测结果

模型predict输出的是每个样本的类别概率分布，需转为整数标签：

# x_test_scaled是缩放至75×75的测试集数据
y_pred_proba = model.predict(x_test_scaled)
# 取概率最大的类别作为预测结果
y_pred = np.argmax(y_pred_proba, axis=1)

重新生成分类报告

from sklearn.metrics import classification_report
print(classification_report(y_test_true, y_pred))

2. 验证独热编码的正确性 #

训练和测试阶段的独热编码必须保持一致，确保类别数设置为100：

from tensorflow.keras.utils import to_categorical
# 训练集标签转独热编码
y_train_onehot = to_categorical(y_train, num_classes=100)
# 测试集标签转独热编码，必须和训练集用相同的num_classes
y_test_onehot = to_categorical(y_test, num_classes=100)

3. 消除UndefinedMetricWarning #

该警告是因为部分类别没有被模型预测到（分母为0无法计算指标），修正标签格式后，只要模型确实预测了多个类别，警告会自动消失。

真实准确率的计算方式 #

Keras evaluate返回的准确率 #

model.evaluate()返回的是全局准确率，计算逻辑为：

全局准确率 = 正确预测的样本总数 / 测试集样本总数

与sklearn准确率的一致性 #

你可以用sklearn手动验证，结果会和evaluate返回的0.7148完全一致：

from sklearn.metrics import accuracy_score
acc = accuracy_score(y_test_true, y_pred)
print(f"手动计算全局准确率：{acc:.4f}")

分类报告中的accuracy字段就是这个全局准确率，而宏平均（macro avg）、加权平均（weighted avg）是对每个类别的精确率、召回率做不同方式的平均，用于评估模型在不均衡数据集上的表现，全局准确率是最直接的整体性能指标。

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