ResNet50模型预测胸片新冠肺炎时始终输出类别1，求故障排查方案

• 预测逻辑的致命错误：你使用sigmoid作为输出层激活函数，输出值的范围固定在(0,1)区间，但你后续的二分类阈值判断写为np.where(predictions < 0, 0, 1)，永远不可能触发小于0的判断条件，所有预测结果都会被强制转为1，这是你看到全输出1的最直接原因。正确的阈值判断应该以0.5为分界：predictions = np.where(predictions < 0.5, 0, 1)。
• 模型结构堆叠错误：你初始化ResNet50时指定了classes=2，此时ResNet50会默认包含顶层的2分类输出全连接层，你后续又额外叠加了Flatten、全连接层、1神经元的sigmoid输出层，整个模型结构完全不符合设计预期。正确的做法是初始化ResNet50时添加include_top=False参数，去掉模型自带的分类头，再接入你自定义的分类层。
• 随机初始化权重时错误冻结层参数：你设置了weights=None，即ResNet50的所有参数都是随机初始化的，此时你将前-8层全部冻结不参与训练，相当于90%以上的模型参数都是随机无效值且不会更新，模型根本无法学习到有效特征，自然没有分类能力。冻结层操作仅在使用预训练权重做迁移学习时才有意义，随机初始化的模型不能冻结任何层。
• 缺少必要的输入预处理：ResNet50默认要求输入图像做对应归一化处理，你当前直接读取0-255范围的原始像素值输入模型，数值范围不匹配会导致模型收敛难度大幅提升。建议添加tf.keras.applications.resnet50.preprocess_input对输入图像做预处理。
• 冗余代码问题：你写的遍历数据集生成train_X、test_X的代码完全没有被后续训练、预测流程使用，属于无效代码，可以直接删除。
• 数据集分布验证：可以先统计训练集和验证集中类别0和类别1的样本占比，确认是否存在极端类别不平衡的情况，同时确认image_dataset_from_directory自动生成的标签是否和你的预期一致（该工具默认按文件夹名称字典序分配0、1标签）。

内容的提问来源于stack exchange，提问作者Gnomes