Xception模型修复求助：猫罐头分类模型预测结果异常

一、代码中的明显错误修复 #

• ModelCheckpoint模式错误：你设置了monitor='val_loss'但mode='max'，这会导致保存val_loss最大的最差模型，应改为mode='min'：

  checkpoint = ModelCheckpoint('Xception_checkpoint.h5', verbose=1,
                  monitor='val_loss', save_best_only=True,
                  mode='min')
  

• 未启用冻结层配置：定义了FREEZE_LAYERS=2但没实际冻结模型层，导致整个Xception网络都在训练，易过拟合且效率低，添加冻结代码：

  # 冻结除最后2层外的所有预训练层
  for layer in model.layers[:-FREEZE_LAYERS]:
      layer.trainable = False
  # 确保最后几层可训练
  for layer in model.layers[-FREEZE_LAYERS:]:
      layer.trainable = True
  

• 冗余Flatten层：GlobalAveragePooling2D已输出一维张量，后续Flatten()完全多余，直接删除：

  x = model.output
  x = GlobalAveragePooling2D()(x)
  # x = Flatten()(x)  # 删除该行
  x = Dropout(0.5)(x)
  predictions = Dense(26, activation='softmax')(x)
  

• 替换过时的fit_generator：Keras中fit_generator已弃用，改用fit方法：

  history = model.fit(train_generator,
              epochs=epoch, verbose=1,
              steps_per_epoch=train_generator.samples//batch_size,
              validation_data=valid_generator,
              validation_steps=valid_generator.samples//batch_size,
              callbacks=[checkpoint, estop, reduce_lr])
  

• Xception预处理修正：预训练Xception要求输入像素缩放到[-1,1]，而非[0,1]，替换数据增强的rescale为官方预处理函数：

  train_datagen = ImageDataGenerator(
      preprocessing_function=tf.keras.applications.xception.preprocess_input,
      rotation_range=30,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      channel_shift_range=10,
      horizontal_flip=True,
      fill_mode='nearest'
  )
  
  val_datagen = ImageDataGenerator(
      preprocessing_function=tf.keras.applications.xception.preprocess_input
  )
  

• Adam学习率参数与数值调整：新版本Keras中lr改为learning_rate，且预训练模型初始学习率不宜过高，建议设为1e-4：

  model.compile(optimizer=Adam(learning_rate=1e-4),
         loss='categorical_crossentropy',
         metrics=['accuracy'])
  

二、数据集层面的排查与优化 #

• 修正数据集划分逻辑：当前用test_path作为验证集，测试集应留到最终评估用，建议从训练集中拆分15%-20%作为独立验证集，避免测试集数据泄露。
• 平衡类别样本量：统计26个类别的样本数，若存在样本量差异极大的类别（比如某类仅10张，另一类500张），模型会偏向样本多的类，可通过以下方式解决：
  • 对样本少的类别针对性增强（比如多做旋转、亮度调整）
  • 使用class_weight给少数类更高权重：

    from sklearn.utils.class_weight import compute_class_weight
    import numpy as np
    
    class_labels = train_generator.class_indices.values()
    class_weights = compute_class_weight(class_weight='balanced', classes=np.unique(class_labels), y=train_generator.classes)
    class_weights = dict(zip(np.unique(class_labels), class_weights))
    # 在fit中加入class_weight=class_weights
    

• 提升数据质量一致性：
  • 删除模糊、过曝/欠曝、背景杂乱的干扰图片
  • 检查是否有同一款罐头被误归为不同类，或不同款罐头特征过于相似
  • 验证训练集与测试集是否存在重复图片，杜绝数据泄露

三、模型训练策略优化 #

• 分阶段训练：
  1. 先冻结Xception所有预训练层，只训练自定义顶部全连接层，让模型先适配分类任务（训练10-15个epoch）
  2. 解冻Xception最后10-20层，用更小的学习率（比如1e-5）微调，让预训练特征适配你的数据集
• 调整正则化强度：在Dense层前加入BatchNormalization稳定训练，同时可将Dropout比例调至0.3避免过度正则化：

  x = model.output
  x = GlobalAveragePooling2D()(x)
  x = BatchNormalization()(x)
  x = Dropout(0.3)(x)
  predictions = Dense(26, activation='softmax')(x)
  

• 增加训练epoch上限：当前epoch=30可能不足，可设为50个epoch，配合EarlyStopping自动停止不必要的训练

四、诊断与验证工具 #

• 可视化训练曲线：通过loss和accuracy曲线判断过拟合/欠拟合：

  plt.plot(history.history['accuracy'], label='训练准确率')
  plt.plot(history.history['val_accuracy'], label='验证准确率')
  plt.xlabel('轮次')
  plt.ylabel('准确率')
  plt.legend()
  plt.show()
  
  plt.plot(history.history['loss'], label='训练损失')
  plt.plot(history.history['val_loss'], label='验证损失')
  plt.xlabel('轮次')
  plt.ylabel('损失')
  plt.legend()
  plt.show()
  

• 混淆矩阵分析：找出易混淆的类别，针对性优化数据或特征：

  from sklearn.metrics import confusion_matrix
  import seaborn as sns
  
  # 获取验证集预测结果
  y_pred = model.predict(valid_generator)
  y_pred_classes = np.argmax(y_pred, axis=1)
  y_true = valid_generator.classes
  
  # 绘制混淆矩阵
  cm = confusion_matrix(y_true, y_pred_classes)
  plt.figure(figsize=(12,12))
  sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=valid_generator.class_indices.keys(), yticklabels=valid_generator.class_indices.keys())
  plt.xlabel('预测类别')
  plt.ylabel('真实类别')
  plt.show()
  

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