K fold cross validation异常 RESNET-50模型准确率恒定不收敛

你观察到的0.6931是二分类场景下模型对两类输出概率均为0.5时的二分类交叉熵损失值，准确率卡在0.5左右说明模型完全没有学习到有效特征，参数全程未有效更新，核心是代码存在多处逻辑错误，和你预期的ResNet-50迁移学习实现完全不符。

• 根本没有搭建ResNet-50模型结构
  你在getModel()函数中完全没有引入ResNet-50预训练骨干，第一层直接用Flatten()，且未定义输入形状，本质是一个结构残缺的全连接网络，和你描述的ResNet-50迁移学习模型完全无关。直接将224×224×3的图像展平后接全连接层，参数量高达3800万以上，本身就极难训练。
• 损失函数与标签格式不匹配
  你配置训练生成器时设置class_mode='categorical'，该模式会返回one-hot格式的标签（二分类下格式为[1,0]/[0,1]），但模型编译时使用的损失函数是binary_crossentropy，该损失要求标签为0/1单值格式、输出层为1个神经元+sigmoid激活。二者不匹配会导致梯度计算完全错误，参数无法正常更新。
• K折交叉验证逻辑错误
  你将model=getModel()写在了K折循环外部，第一折训练后的权重会直接带入后续折次训练，完全不符合交叉验证“每折单独初始化模型”的要求；同时你依赖手动移动文件切分数据集，但X/Y标签数组只在循环外初始化一次，后续文件移动后数组没有同步更新，会出现索引和文件不匹配的问题。
• 训练流程配置错误
  调用fit_generator时没有传入validation_data参数，训练过程不会做验证集评估；验证集生成器错误设置class_mode=None，不会返回标签；训练生成器多余添加了subset='training'参数，但你没有为ImageDataGenerator配置validation_split，会导致生成器采样逻辑异常。
• 学习率配置不合理
  你设置的Adam优化器学习率为2e-5，对于随机初始化的全连接头部来说数值过小，即使损失计算正确，前期参数更新速度也会极慢。

1. 正确构建ResNet-50迁移学习模型，替换原有残缺的getModel()实现：

from tensorflow.keras.applications import ResNet50
def getModel():
    # 加载imagenet预训练的ResNet50骨干，去掉顶部全连接层
    base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224,224,3))
    base_model.trainable = False # 初始阶段冻住预训练层，先训练分类头
    model = Sequential([
        base_model,
        layers.GlobalAveragePooling2D(), # 用全局平均池化替代Flatten，大幅减少参数量
        Dense(256, activation='relu', name='fc1'),
        Dense(128, activation='relu', name='fc2'),
        layers.Dropout(0.5),
        Dense(2, activation='softmax')
    ])
    # 2个神经元softmax输出对应categorical_crossentropy损失
    model.compile(optimizer=optimizers.Adam(learning_rate=1e-4),
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

如果你坚持使用binary_crossentropy，需要将输出层改为1个神经元+sigmoid激活，同时把所有数据生成器的class_mode改为binary，两种配置二选一即可，不能混合使用。

2. 修正K折循环逻辑：将model=getModel()移动到K折循环内部，保证每一折都重新初始化模型，避免上一折权重残留。
3. 修正数据生成器配置：
   • 去掉训练生成器中多余的subset='training'参数
   • 将验证集生成器的class_mode从None改为'categorical'，和训练集保持一致
   • 调用fit_generator（新版本TF直接用fit即可）时传入validation_data=validation_generator参数
4. 替换文件移动的数据集切分逻辑：不要在训练过程中来回移动文件，建议初始就将数据集按固定比例划分好train/test目录，K折交叉验证只在训练集内部通过索引切分训练/验证子集，避免文件操作带来的路径、标签不匹配问题。
5. 数据校验：训练前先打印train_generator.class_indices确认类别和标签映射正确，随机抽取一个batch的图像和标签检查，排除图片损坏、标签错位、类别极端不平衡的问题。

内容的提问来源于stack exchange，提问作者farabee