PyTorch修改预训练ResNet18全连接层后预测仅输出单类别问题求助

云原生阿岚

2026-10-2

问题排查与修复方案

优先检查推理阶段是否调用model.eval()
训练完成后执行预测前必须执行该方法，将BatchNorm、Dropout等层切换为推理模式。如果遗漏该步骤，上述层会保留训练阶段的随机逻辑，导致每次前向传播输出结果不稳定，甚至出现全输出单类的情况。
核对训练与预测阶段的预处理逻辑是否一致
确认预测时的图像缩放、裁剪、归一化操作和训练阶段的配置完全相同，尤其是归一化用到的均值、方差参数，必须和训练集计算得到的参数一致，不能直接混用ImageNet默认参数，避免输入分布漂移导致模型失效。
确认损失函数与输出层匹配
PyTorch的CrossEntropyLoss内置了LogSoftmax和NLLLoss计算，因此修改后的fc层不需要额外加Softmax激活。如果输出层额外添加了Softmax，会导致计算损失时的梯度异常，模型容易出现类别塌缩的问题。
检查模型保存与加载逻辑
修改ResNet18全连接层后，保存模型时建议只保存权重：torch.save(model.state_dict(), "model.pth")，加载时先实例化修改后的ResNet18结构，再加载权重，避免结构不匹配导致的参数异常。
固定全流程随机种子
在notebook开头添加如下代码固定所有随机源，避免每次运行时模型初始化、数据打乱、算子运算的随机性导致训练结果不可复现：
```
import random, torch, numpy as np
seed = 42
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
torch.backends.cudnn.deterministic = True
```
验证训练准确率真实性
检查训练集和验证集是否存在数据重叠，避免虚高的准确率误导判断。可以随机抽取几张不同类别的训练集图像执行预测，确认模型在训练集上是否能正确分类，排除模型完全未拟合的问题。