TensorFlow自定义二分类模型预测时第二类得分异常偏高问题

核心问题1：损失函数参数不匹配 #

模型最后一层使用了softmax激活，但损失函数SparseCategoricalCrossentropy设置了from_logits=True，这是错误的。from_logits=True仅适用于未经过激活函数（如softmax/sigmoid）的原始输出，当前设置会导致损失计算逻辑混乱，模型实际学习目标偏移。

修复代码：

lossFn = tf.keras.losses.SparseCategoricalCrossentropy()
# 或显式设置from_logits=False，默认值即为False
lossFn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

核心问题2：学习率过高 #

你注释了学习率调度逻辑，但RMSprop默认学习率为0.001，而你定义的初始学习率0.3远超合理范围，过高的学习率会导致模型训练时权重震荡，无法收敛到有效特征，最终只能随机偏向某一类。

修复代码：
使用合理初始学习率，或启用注释的学习率调度：

initial_learning_rate = 0.001
decay_steps = 1000
decay_rate = 0.5
learning_rate_fn = tf.keras.optimizers.schedules.InverseTimeDecay(initial_learning_rate, decay_steps, decay_rate)

model.compile(optimizer=tf.keras.optimizers.RMSprop(learning_rate=learning_rate_fn),
              loss=lossFn,
              metrics='accuracy')

关键数据预处理缺失 #

图像数据通常是0-255的整数范围，直接输入模型会导致ReLU激活函数快速饱和，模型无法有效提取特征，需要将数据归一化到0-1区间。

修复代码：在getDataset和getTestSet中添加归一化步骤：

# 在getDataset中
trainData = data['img'] / 255.0
# 在getTestSet中
testData = data['img'] / 255.0

其他排查方向 #

• 数据集平衡性：检查训练集、测试集中两类样本的数量占比，如果第二类样本占比极高，模型会自然偏向预测该类，需通过数据增强或类别权重调整优化。
• 标签正确性：确认trainLabels和testLabels的取值为0和1（符合SparseCategoricalCrossentropy的输入要求），无标签值错误情况。

修复后验证流程 #

1. 重新训练模型，观察训练准确率、损失是否稳定下降
2. 训练时加入验证集（从训练集中拆分一部分），监控val_accuracy，确认模型无过拟合/欠拟合问题
3. 再次评估测试集，查看预测结果是否不再全偏向第二类

内容的提问来源于stack exchange，提问作者Ice Wind