Tensorflow使用ImageDataGenerator训练异常：训练准确率99%但模型仅输出单类

问题原因及排查方案 #

• 训练集标签分布异常（最高概率原因）

你仅校验了验证集的单批次标签分布，未校验训练集全局标签分布，这是最核心的排查方向：
执行以下代码打印训练集标签统计信息：

import numpy as np
# 打印类别映射关系
print("训练集类别映射：", train_generator.class_indices)
# 打印总样本数
print("训练集总样本数：", train_generator.samples)
# 打印各类别样本数量
print("训练集各类样本数统计：", np.unique(train_generator.classes, return_counts=True))

如果输出显示其中一类样本数为0，说明你解压训练集时目录结构错误，或flow_from_directory的classes参数配置错误，仅读取到了单类样本。此时模型统一输出该类即可拿到100%的训练准确率，而验证集两类样本均衡，所以准确率仅为随机猜测的50%左右。

• 图像数据未做归一化

你未贴出train_datagen、validation_datagen的初始化代码，该场景下高频错误是未添加rescale=1./255归一化配置：
原始图像像素值范围为0~255，未归一化的大数值输入会快速让卷积层输出进入激活函数饱和区，梯度消失，模型参数停止更新，只会输出初始化阶段倾向的某一类。如果训练过程中采样到的batch标签刚好和模型固定输出的类别匹配，就会出现训练准确率虚高的情况。

• Dropout超参数配置不合理

你代码中的dropout_rate未给出具体数值，如果该值设置过高（≥0.8），会导致：
训练阶段随机失活大部分神经元，仅靠少量神经元刚好拟合了采样到的训练batch标签，出现虚高准确率；验证阶段Dropout关闭，全部神经元参与计算，输出结果直接偏移到单一类别，验证准确率接近50%。

内容的提问来源于stack exchange，提问作者Himanshu Naidu