为什么TensorFlow模型权重仅训练阶段可用，evaluate时表现为未拟合状态？

问题根因 #

该问题是TensorFlow/Keras使用预训练模型结构时的常见问题，核心原因是训练和推理阶段BatchNormalization（BN）层的计算逻辑差异，叠加输入未匹配模型要求的预处理规范导致：

• 训练阶段BN层使用当前batch的均值、方差做归一化，即使输入未做归一化，单batch的统计量也能临时修正输入分布，因此训练过程准确率可以正常上升。
• 推理阶段（包括fit中的验证环节、evaluate调用、模型预测）BN层会使用训练过程中累计的全局滑动平均统计量做归一化，若输入分布不符合预期，BN层输出会完全错乱，最终模型表现和随机猜测一致，损失稳定在0.69左右（二分类随机交叉熵损失），准确率维持在50%附近。

解决方案 #

1. 补充模型对应预处理逻辑 #

tf.keras.applications下的所有预训练模型都要求输入符合特定的数值范围，MobileNetV2要求输入像素从0~255的原始范围归一化到[-1, 1]，直接在自定义的ImageGenerator中加载图像后调用官方预处理函数即可：

# 在ImageGenerator的图像读取逻辑中加入预处理
from tensorflow.keras.applications.mobilenet_v2 import preprocess_input

# 读取图像得到img_arr（0~255范围）后执行
img_arr = preprocess_input(img_arr)

2. 修正自定义生成器的验证逻辑 #

如果自定义ImageGenerator中加入了随机翻转、随机裁剪等训练阶段专属的数据增强操作，需要为生成器增加training开关，验证/评估时关闭增强，避免使用开启了随机增强的同一生成器同时做训练和验证。

3. 调整BN层超参数（可选） #

如果预处理修正后仍存在问题，可检查MobileNetV2中BN层的滑动平均动量设置，默认动量为0.999，滑动平均更新速度极慢，少量训练轮次下全局统计量还未收敛。可以调整动量到0.9加快更新，或者增加训练轮次等待全局统计量收敛。

内容的提问来源于stack exchange，提问作者ac4824