TensorFlow图像分类同一模型同测试集三种评估方法结果不一致

三个方法的核心差异来自数据预处理、推理逻辑、评估计算逻辑三个维度的不一致，对应你代码里的具体问题如下：

• 预处理逻辑未对齐
  你代码中逐张加载图像仅做了resize和转张量操作，没有和训练流程保持一致的预处理步骤（比如像素值归一化、标准化等）；而image_dataset_from_directory的默认resize插值方式、数据类型转换逻辑和load_img也存在微小差异，输入数据的微小偏差会导致部分模型输出刚好卡在0.5阈值附近的样本分类结果翻转，最终带来1-2个百分点的准确率波动。
• 输出后处理逻辑冗余
  如果你的模型在训练时最后一层已经添加了sigmoid激活函数，你在推理时额外调用tf.nn.sigmoid会对输出值做两次压缩，导致输出整体向0、1两端偏移，阈值判断的误差被放大；而三种方法的输入批次大小不同，输出值的精度累积差异也会放大这个问题。
• 评估计算逻辑差异
  模型自带的evaluate方法是逐batch计算评估指标后做加权平均，当测试集样本数不能被batch size整除时，最后一个不足batch的样本权重会和全局计算的准确率有微小差异；同时你构建test_ds时没有指定shuffle=False，默认的随机打乱虽然不会影响全局准确率，但多次运行也会带来微小波动。

优先选择调用模型自带evaluate方法作为最终评估方式，原因是它和你训练时的数据加载、预处理、推理逻辑完全对齐，是TensorFlow官方推荐的标准评估流程，结果可信度最高。
如果需要输出分类报告、混淆矩阵等自定义指标，需要先修正现有代码的问题后使用第二种方法，修正点如下：

1. 构建测试数据集时显式添加shuffle=False参数，保证样本顺序固定
2. 检查模型结构，若最后一层已经包含sigmoid激活，删除推理代码中的tf.nn.sigmoid调用
3. 所有评估流程的预处理步骤和训练完全对齐，比如训练时做了像素归一化，逐张推理时也要对img_array执行相同的归一化操作
   修正后方法2的结果会和evaluate结果完全一致。

内容的提问来源于stack exchange，提问作者Xiaogang Zhu