CNN猫狗二分类模型预测得分均高于0.5无法识别猫类问题排查

你的问题核心是训练流程和模型结构的错误配置导致的，数据集规模偏小是次要影响因素，并非当前故障的核心原因。

所有得分集中在0.5~0.6、无低于0.5得分的直接原因 #

你在模型定义中错误地在InceptionV3输出和Sigmoid层之间添加了ReLU层：

# 错误写法
return self.sigmoid(self.dropout(self.relu(features))).squeeze(1)

InceptionV3最后一层全连接的输出本身可正可负，ReLU层会将所有小于0的输出强制截断为0，而sigmoid(0) = 0.5，因此所有对应猫类（预期输出<0.5）的负输入都会被强制转为0，输出得分最低只能到0.5，不可能出现低于0.5的结果。

模型完全不收敛的其他配置错误 #

• 超参数设置不合理：你冻结了整个InceptionV3的预训练权重（train_CNN=False），仅训练最后一层全连接层，但学习率仅设置为1e-5，同时训练轮次只有10轮，权重更新量极小，基本停留在随机初始化的状态，输出自然接近0.5。从训练日志也能看出，验证集准确率全程固定在39.02，没有任何提升，证明模型完全没有学到有效特征。
• 训练逻辑冗余低效：你在每个batch训练结束后都执行全量验证集的准确率计算，不仅大幅拖慢训练速度，也对模型训练没有任何增益。
• 数据集的次要影响：200张样本的规模确实偏小，会限制模型最终的泛化能力，但并不是模型完全不收敛的核心原因，哪怕是小样本，配置正确的前提下也能在训练集上达到远高于随机猜测的准确率。

• 删掉模型前向传播中的ReLU层，修改为：

  return self.sigmoid(self.dropout(features)).squeeze(1)
  

• 将仅训练全连接层的学习率调整到1e-3 ~ 1e-4区间，训练轮次提升到30~50轮，保证全连接层有足够的更新量。
• 若算力充足，可将train_CNN改为True，解冻部分或全部 backbone 层做微调，能大幅提升模型效果。
• 将验证集准确率的计算逻辑移动到每个epoch结束后执行，不要每个batch都重复计算。

内容的提问来源于stack exchange，提问作者user164863