Keras人-马分类CNN模型预测始终输出相同结果的问题排查

针对你遇到的模型始终输出1或接近1、将所有图片判定为人类的问题，可按以下步骤排查解决：

1. 确认类别映射与数据集一致性 #

flow_from_directory会按文件夹字母顺序自动分配标签（比如horses文件夹在humans前，马会被标记为0，人类为1）。先打印类别映射确认对应关系：

print(train_generator.class_indices)

• 如果测试图片中马被错误判定为人类，先检查训练集的文件夹结构是否正确，以及测试图片是否符合训练集的类别定义。

2. 检查训练数据集的平衡性与完整性 #

从训练日志的Found 256 images belonging to 2 classes可以看出，训练集规模远小于官方人-马数据集（官方训练集共1027张）：

• 先确认training_dir路径下的horses和humans子文件夹是否包含足够数量的图片，且两类数量大致均衡。如果某类图片数量远多于另一类，模型会偏向预测数量多的类别。
• 若存在类别不平衡，在训练时添加类权重：

  import os
  # 假设0是马，1是人类，根据实际class_indices调整
  num_horses = len(os.listdir(os.path.join(training_dir, 'horses')))
  num_humans = len(os.listdir(os.path.join(training_dir, 'humans')))
  class_weight = {0: num_humans/num_horses, 1: 1.0}
  
  model.fit(train_generator, epochs=15, validation_data=validation_generator, class_weight=class_weight)
  

3. 验证预测时的图片预处理是否正确 #

确保测试图片的预处理与训练集完全一致：

• 检查图片通道数：image.load_img默认加载RGB图片，打印img.shape确认是(300,300,3)，避免灰度图（单通道）导致模型输出异常。
• 确认归一化步骤：训练和预测都做了img /= 255.，这点你已经正确实现，但要避免额外的预处理操作（比如颜色通道反转）。

4. 解决模型过拟合与训练不稳定问题 #

从训练日志看，训练准确率达到96%但验证准确率波动极大（最低52%，最高83%），说明模型泛化能力差：

• 添加Dropout层抑制过拟合：

  model = tf.keras.models.Sequential([
      # 原卷积层和池化层保持不变
      tf.keras.layers.Conv2D(16 , (3,3), activation=tf.nn.relu , input_shape = (300,300,3)),
      tf.keras.layers.MaxPooling2D(2,2),
      tf.keras.layers.Conv2D(32 , (3,3), activation=tf.nn.relu),
      tf.keras.layers.MaxPooling2D(2,2),
      tf.keras.layers.Conv2D(64 , (3,3), activation=tf.nn.relu),
      tf.keras.layers.MaxPooling2D(2,2),
      tf.keras.layers.Conv2D(64 , (3,3), activation=tf.nn.relu),
      tf.keras.layers.MaxPooling2D(2,2),
      tf.keras.layers.Conv2D(64 , (3,3), activation=tf.nn.relu),
      tf.keras.layers.MaxPooling2D(2,2),
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dropout(0.5),  # 添加此层
      tf.keras.layers.Dense(512 ,activation=tf.nn.relu ),
      tf.keras.layers.Dense(1, activation = tf.nn.sigmoid)   
  ])
  

• 降低学习率：将RMSprop的learning_rate从0.001改为0.0001，让训练更稳定。
• 简化模型：比如减少卷积层的滤波器数量（如把64改为32），或缩小Dense层的神经元数（如512改为256）。

5. 验证模型加载与基础预测能力 #

加载模型后，先用验证集的已知图片测试，排除模型加载错误：

val_imgs, val_labels = next(validation_generator)
# 取第一张验证图片
pred = model.predict(val_imgs[:1])
print(f"真实标签: {val_labels[0]}, 预测值: {pred[0]}")

• 如果这里预测正确，但你手动选择的图片预测错误，说明测试图片本身存在问题（比如图片内容不符合训练集的类别特征，或格式异常）。

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