使用CNN（EfficientNetB7）训练图像分类模型时准确率为0，求排查错误

错误原因及修正方案 #

• 输出层与类别数不匹配
  数据集有3类，但最后一层Dense仅设置1个单元，搭配softmax激活后，输出永远为1，完全无法区分类别。需修改为：

  model=tf.keras.layers.Dense(3, activation="softmax")(model)
  

• 标签编码与损失函数不匹配
  当前使用categorical_crossentropy损失函数，要求标签为one-hot编码格式，但代码中未对加载的trainY和testY做编码处理，需添加：

  trainY = to_categorical(trainY, num_classes=3)
  testY = to_categorical(testY, num_classes=3)
  

  若不想使用one-hot编码，也可将损失函数改为sparse_categorical_crossentropy，此时标签可保留原始整数形式（0、1、2）。

• 输入通道维度缺失
  模型定义的输入形状为(224,224,1)，但你注释掉了trainX = np.expand_dims(trainX, axis=3)，若原始trainX是灰度图（形状为(样本数,224,224)），则输入维度不匹配，会导致模型无法正确提取特征。需取消注释该行，确保输入形状为(样本数,224,224,1)。

• 模型初始化的优化建议
  设置weights=None会让模型完全随机初始化，收敛难度大。若数据集与ImageNet分布类似，可尝试使用预训练权重：

  efficient = EfficientNetB7(weights="imagenet", include_top=False, input_shape=(224,224,3))
  

  注意此时需将输入图像转为3通道RGB格式；若必须用灰度图，可保持随机初始化，但需适当增加训练轮数或调整学习率。

内容的提问来源于stack exchange，提问作者Colab4066