使用featurewise_center时Keras ImageDataGenerator配合fit()验证精度极低问题

我刚看完你的问题，一眼就发现了问题所在——你连续调用了两次datagen.fit()，一次用训练集，一次用验证集，这直接打乱了归一化的统计量！

问题根源 #

当你启用featurewise_center和featurewise_std_normalization时，datagen.fit()的作用是计算输入数据的全局均值和标准差，并把这些统计值存储在ImageDataGenerator实例内部。你先调用datagen.fit(x_t)，这时候datagen已经正确学到了训练集的均值和标准差，但紧接着你又调用datagen.fit(x_v)，这会用验证集的统计量覆盖掉之前训练集的数值。

结果就是：训练数据在生成时，用的是验证集的均值/std做归一化，完全偏离了模型训练需要的原始分布，模型根本学不到有效特征，精度暴跌到1%也就不足为奇了。

而你不调用fit()时精度正常，是因为这两个featurewise参数没有实际生效（没有统计量可以用来做归一化），相当于只执行了rescale=1./255，和你之前不用这两个参数的逻辑一致，所以精度和原来差不多，但这等于浪费了归一化的作用。

正确做法 #

只需要用训练集来fit datagen一次就够了！验证集和测试集不需要单独fit，它们必须使用和训练集完全相同的归一化规则（训练集的均值/std），这样才能保证数据分布一致，避免数据泄露，同时让验证结果准确。

修正后的关键代码如下：

# 启用featurewise参数
datagen = ImageDataGenerator(
    rescale=1./255,
    featurewise_center=True,
    featurewise_std_normalization=True,
    width_shift_range=0.1,
    height_shift_range=0.1
)
# 只需要用训练集拟合一次，计算全局统计量
datagen.fit(x_t)
# 删掉这行！不要用验证集fit
# datagen.fit(x_v)

train_gen = datagen.flow(x_t, y_train, batch_size=batch_size)
valid_gen = datagen.flow(x_v,y_valid, batch_size=batch_size)

额外提醒 #

• featurewise_center/featurewise_std_normalization是基于整个训练集的全局统计，和samplewise_center/samplewise_std_normalization（单样本归一化）不同，后者不需要提前fit。
• 后续用到测试集时，也绝对不要用测试集去fit datagen，直接用同一个datagen生成测试数据即可，确保归一化规则和训练阶段一致。

内容的提问来源于stack exchange，提问作者user915783