TensorFlow深度学习模型准确率始终不变的问题求助

1. 数据集类别分布失衡 #

• 检查Train/Validation/Test集里class_a和class_b的样本占比，是否存在极端倾斜（比如class_a占83.71%、class_b占16.29%）。如果模型始终预测占比更高的类别，就会出现这种固定准确率的情况——初始时模型权重偏向某类，调整Dropout只是改变了初始偏向，但本质没学到有效特征。
• 可以用代码统计样本数量：

  import os
  def count_class_samples(root_dir):
      for split in ['Train', 'Test', 'Validation']:
          for cls in ['class_a', 'class_b']:
              sample_count = len(os.listdir(os.path.join(root_dir, split, cls)))
              print(f"{split}/{cls}: {sample_count} 个样本")
  count_class_samples("你的数据集根目录路径")
  

2. 数据加载的标签模式错误 #

• 确认用image_dataset_from_directory加载数据时，label_mode设为'binary'（二分类专属），而非'categorical'。如果用了categorical模式，模型输出层和损失函数不匹配，会导致模型只能随机偏向某一类。
• 检查类别映射是否符合预期：

  import tensorflow as tf
  train_ds = tf.keras.utils.image_dataset_from_directory("Train目录路径")
  print("类别顺序：", train_ds.class_names)
  

  确保class_a对应0、class_b对应1，避免标签和类别错位。

3. 模型输出层与损失函数不匹配 #

• 二分类任务必须用单神经元+sigmoid激活的输出层，搭配BinaryCrossentropy损失函数。如果错误使用双神经元+softmax，再搭配CategoricalCrossentropy，会导致模型学习失效，只能依赖类别占比做预测。
  错误示例：

  model.add(tf.keras.layers.Dense(2, activation='softmax'))
  model.compile(loss='categorical_crossentropy', ...)
  

  正确示例：

  model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
  model.compile(loss='BinaryCrossentropy', metrics=['accuracy'], ...)
  

4. 图像预处理缺失归一化 #

• 仅做图像缩放不够，必须将像素值归一化到模型要求的范围（比如[0,1]或[-1,1]）。如果使用预训练的GoogLeNet/ResNet，需要用对应模型的预处理函数：

  from tensorflow.keras.applications.resnet50 import preprocess_input
  train_ds = train_ds.map(lambda x, y: (preprocess_input(x), y))
  

  自定义训练至少要做基础归一化：

  train_ds = train_ds.map(lambda x, y: (x / 255.0, y))
  

5. 梯度异常（消失/爆炸） #

• 深层模型如果学习率过高或权重初始化不当，会出现梯度消失，导致参数几乎不更新，模型维持初始偏向。尝试降低学习率（比如SGD用lr=1e-4，Adam用lr=1e-5），或添加梯度裁剪：

  optimizer = tf.keras.optimizers.Adam(learning_rate=1e-5, clipvalue=1.0)
  model.compile(optimizer=optimizer, ...)
  

6. Dropout层位置错误 #

• 不要在特征提取层或输出层前加Dropout，否则会破坏模型对关键特征的学习能力，导致模型只能依赖类别占比做预测。Dropout应仅添加在全连接层之间。

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