TensorFlow花卉分类模型不同输入输出相同预测的问题排查

• 检查预测阶段的图像预处理逻辑
  务必确保预测时的图像处理流程和训练阶段完全对齐：

  • 核对图像resize后的尺寸是否和模型输入层要求一致，比如训练时用224×224，预测时不能错改成其他尺寸
  • 确认归一化的计算方式和训练时相同，比如是否用了(image / 255.0)或者特定的均值标准差，有没有漏做归一化步骤
  • 检查图像通道顺序，比如是否把RGB和BGR搞混，导致输入特征完全失真
  • 排查读取图像的代码，有没有出现路径写死、变量未重置的情况，导致所有预测都用了同一张向日葵的图

• 验证模型加载的正确性

  • 确认加载的是训练完成后的最终权重文件，而非初始未训练的模型或错误的 checkpoint
  • 检查模型保存和加载的代码，比如model.save()和tf.keras.models.load_model()的路径是否正确，有没有加载时意外覆盖了训练好的权重

• 排查预测代码的逻辑漏洞

  • 查看批量预测的循环代码，有没有出现张量变量未更新的问题，比如每次预测都复用了同一个输入张量
  • 核对类别映射字典，有没有错误地将所有类别ID都映射为“向日葵”
  • 确认model.predict()的调用参数是否正确，有没有传入固定的输入值导致输出不变

• 测试模型输出的稳定性

  • 生成一张随机噪声图像输入模型，观察输出是否还是固定的向日葵结果。如果是，说明模型权重加载异常；如果输出变化，问题大概率出在输入预处理环节
  • 用训练集中已知的向日葵和玫瑰样本分别预测，看输出是否符合预期，快速定位是输入问题还是模型本身的问题

• 二次确认训练数据集标注
  虽然你排除了过拟合，但可以快速抽查训练集的标注情况：有没有大量玫瑰样本被错误标注为向日葵，导致模型学到的特征完全偏向向日葵类别

内容的提问来源于stack exchange，提问作者LenLenLen