使用Keras函数式API从零训练VGG16时所有测试图被预测为同一类怎么办

核心错误点 #

• 损失函数与分类配置不匹配：你使用class_mode='categorical'加载数据，模型输出层是2神经元+softmax，对应应该使用categorical_crossentropy作为损失函数，当前用的binary_crossentropy仅适用于二分类单神经元sigmoid输出、class_mode='binary'的场景，损失函数错误直接导致模型梯度更新逻辑错误，无法正常学习分类边界。
• 预测调用模型名称错误：你定义的模型变量名为model1，但预测时调用的是model.predict()，如果没有额外定义过model变量，该调用要么报错要么返回无关模型的输出，是所有样本输出同一类的直接原因。
• 类别标签映射错误：flow_from_directory默认按文件夹名称的字典序分配标签，比如如果你的数据集文件夹命名为car、plane，那么标签0对应car、1对应plane，你当前判断pos==0输出plane的逻辑完全颠倒，也会导致分类结果全错。
• 训练迭代轮数不足：VGG16参数量超过1.3亿，你仅训练5轮，模型完全没有收敛，从损失曲线也能看出训练/验证损失还处于持续下降阶段，没有进入稳定区间。
• 步长计算逻辑错误：steps_per_epoch的计算逻辑为math.ceil(traindata.samples//batch_size)，先做整数除法再取整等于直接丢弃了最后不足一个batch的样本，你1000张训练图batch=32的话，完整步长应该是32，按你的写法只会取31步，每次训练少用8张图，验证集同理也会丢失样本。
• 小数据集训练策略不合理：你从零开始训练VGG16，仅用1000张训练样本远不足以支撑这么大的模型收敛，很容易出现过拟合或者欠拟合。

修正方案 #

1. 修正模型编译逻辑 #

将损失函数替换为匹配的categorical交叉熵，可替换更稳定的Adam优化器降低调参难度：

opt = optimizers.Adam(learning_rate=1e-4)
model1.compile(loss='categorical_crossentropy',
              optimizer=opt,
              metrics=['accuracy'])

2. 修正训练步长计算 #

直接使用生成器自动计算步长，或者修正计算逻辑：

history = model1.fit_generator(
      traindata,
      steps_per_epoch=traindata.samples // batch_size,
      epochs=30, # 至少训练30轮保证收敛
      verbose=1,
      validation_data = validdata,
      validation_steps=validdata.samples // batch_size)

3. 修正预测逻辑 #

首先确认标签映射，再修正模型调用变量名：

# 先打印确认标签对应关系
print(traindata.class_indices)
# 假设输出为{'car':0, 'plane':1}，则预测逻辑调整为：
uploaded = files.upload()
for fn in uploaded.keys():
  path = '/content/' + fn
  img = image.load_img(path, target_size=(224, 224))
  img = np.asarray(img)
  plt.imshow(img)
  img = np.expand_dims(img, axis=0)
  classes = model1.predict(img/255) # 修正为model1
  pos=np.argmax(classes[0])
  if pos==0:
    print("car")
  elif pos==1:
    print("plane")

4. 可选优化（大幅提升效果） #

使用预训练VGG16权重做迁移学习，冻住卷积层只训练全连接层，适配小数据集场景：

from keras.applications import VGG16
from keras.layers import Dropout
# 加载预训练权重，去掉顶部全连接层
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))
# 冻住卷积层不训练
for layer in base_model.layers:
    layer.trainable = False
# 拼接自定义全连接层
x = Flatten()(base_model.output)
x = Dense(4096, activation='relu')(x)
x = Dropout(0.5)(x) # 加Dropout防止过拟合
x = Dense(4096, activation='relu')(x)
x = Dropout(0.5)(x)
output = Dense(2, activation='softmax')(x)
model1 = Model(inputs=base_model.input, outputs=output)

内容的提问来源于stack exchange，提问作者kumar siddharth