多分类CNN模型单类别输入推理结果异常问题咨询

这类混合类别输入推理精度正常、单一类别输入推理结果全错的问题，90%以上由模型推理状态、归一化逻辑的配置错误导致，结合遥感地物分类的场景，具体根因按出现概率排序如下：

• 未将模型切换至推理模式：这是最高发的诱因。以PyTorch框架为例，训练完成后如果没有执行model.eval()就启动推理，模型内置的BatchNorm层不会调用训练阶段在全类别混合数据上统计得到的滑动平均均值、方差，而是直接用当前输入batch的实时统计量做归一化，Dropout层也会保持随机失活的训练状态。当输入batch是6类地物混合的样本时，batch内数据分布和训练阶段的batch分布高度匹配，就算用实时统计量计算，结果偏差也很小，精度能维持在80%以上；但如果输入batch全是大豆（类别2）单类样本，batch内的特征均值、方差和训练时的混合分布统计量偏差极大，归一化后的特征分布直接漂移，最终会被全部错判到特征分布最接近的建筑用地（类别5），和描述的现象完全吻合。
• 归一化操作作用域错误：如果预处理环节的归一化（减均值、除标准差操作）不是逐样本独立执行，而是对整个输入batch统一计算统计量后做归一化，同样会触发该问题。混合类别batch计算出的全局统计量和训练阶段的统计量接近，输出结果正常；单类别batch计算出的是单类专属的统计量，归一化后实际输入模型的数值分布和训练时的分布不匹配，直接导致推理失效。哪怕代码逻辑写的预处理步骤完全一致，只要归一化是绑定batch维度动态计算的，单类、混合类输入喂给模型的实际数值就存在本质差异。
• 模型存在训练分布偏置：如果训练样本全部是从整幅影像裁切的包含多类地物的patch，模型训练时学到的判别特征过度依赖patch内的上下文相对关系（比如大豆相邻地物的光谱特征、不同地物的边缘纹理差），从未见过“整个patch仅包含单一地类”的样本，也会在单类输入时出现判别偏差。但这类问题通常不会出现“所有样本错判到同一固定类别”的极端表现，出现概率远低于前两项。

按优先级依次排查修复即可：

• 首先检查推理模式配置：推理代码启动前必须添加模型切换推理模式的操作，PyTorch框架下需在推理逻辑前执行model.eval()，同时用with torch.no_grad():包裹全量推理流程，强制BatchNorm加载训练阶段保存的全局滑动平均统计量、关闭Dropout随机失活。修改完成后先取少量单类样本组成测试batch验证，绝大多数场景下这一步即可解决问题。
• 校验归一化逻辑：确保所有归一化操作逐样本独立执行，使用的均值、标准差是提前在全训练集上计算得到的固定值，禁止在推理阶段针对当前输入batch动态计算归一化统计量，保证无论输入batch是单类还是多类混合，单个样本归一化后的数值和训练阶段的输入数值完全一致。
• 补全训练样本分布覆盖：如果前两步修改后问题仍存在，向训练集中补充一定比例的单一地类patch样本，做少量微调让模型学习单类输入的特征分布，打破模型对多类上下文特征的过度依赖；也可以在整图推理滑窗裁切时设置合适的patch重叠率，最终通过重叠区域的分类结果投票输出最终类别，降低单patch内地物过于单一带来的判别偏差。
• 调整整图推理逻辑：做整幅地图分类预测时，不要人为把某一类的像素筛选出来单独组成batch喂给模型，直接按滑窗逻辑逐块裁切、逐块推理后拼接结果即可，避免人为构造的单类batch输入分布和训练时的混合分布差异过大。

内容的提问来源于stack exchange，提问作者NianTang Liu