Keras实现LeNet：训练/验证准确率高但测试准确率极低问题排查

• 类别覆盖不完整+输出维度不匹配
  训练和验证集仅包含7类数字，模型训练时只学习了这7类的特征，输出层神经元数量应为7个。但测试集包含10类，其中3类是模型从未见过的；更关键的是，测试集的标签包含7、8、9（对应类别索引7、8、9），而模型只能输出0-6这7个类别的概率分布，sparse_categorical_crossentropy在计算时，标签值超出模型输出的类别索引范围，会直接导致损失异常升高，同时模型对未见过的3类样本完全无法正确分类，最终拉低整体测试准确率。

• 数据预处理不一致
  检查tf.keras.utils.image_dataset_from_directory加载训练集和测试集时的参数是否完全一致：比如是否都设置了相同的image_size=(32,32)、color_mode="rgb"，是否都添加了rescale=1./255这类归一化操作。如果测试集没有做和训练集相同的预处理（比如像素值未归一化），模型输入分布和训练时偏差极大，也会导致测试表现崩盘。

• 测试集类别分布的影响
  即使忽略未见过的3类，测试集中这3类的样本占比如果较高（比如每类约10%，三类合计30%），加上模型对这部分样本全错，再加上对已见过的7类可能也有分类误差，最终准确率会被拉到极低水平，和你给出的0.0656吻合。

内容的提问来源于stack exchange，提问作者Dhruva Sundararajan