如何验证我用TensorFlow编写的机器学习训练代码是否正确？

1 数据集处理校验 #

• 核对类别数量匹配度：你的模型最后一层输出维度为31，先确认数据集class列的最大值为30（标签从0开始计数），如果实际字母类别数和31不符，会直接导致输出逻辑错误。
• 检查特征标签拆分正确性：你提供的CSV共64列，扣除class标签列后特征列应为63列。你的第一层全连接层参数为4096，反推输入维度为64，大概率是加载数据时误将class标签列也计入了输入特征，导致训练和预测的输入逻辑不一致，这是最常见的错误点。
• 对齐特征预处理规则：如果训练时对坐标特征做了归一化、标准化处理，预测时必须使用完全相同的规则处理输入数据，不能训练时做了归一化，预测时直接传入原始坐标值。
• 确认数据集拆分逻辑：拆分训练集、验证集、测试集时需要先打乱数据，避免同类别数据集中在同一个拆分集合里；可以提前预留10条标注明确的测试集样本，打印特征和对应标签留作后续校验用。

2 模型与训练流程校验 #

• 核对损失函数与输出层激活的匹配性：多分类任务下，如果最后一层全连接层没有加softmax激活，损失函数需要使用SparseCategoricalCrossentropy(from_logits=True)；如果加了softmax激活，损失函数需要使用SparseCategoricalCrossentropy()，损失函数配置错误会直接导致模型无法收敛，预测结果全错。
• 检查训练收敛情况：训练过程中验证集准确率如果长期低于30%，说明模型完全没有学到有效特征，优先排查是不是特征和标签对应错位，比如加载CSV时把坐标列当成标签、class列当成特征。

3 预测流程校验 #

• 先做内存内预测校验：在模型训练完成后，先不保存加载，直接用内存里的模型对预留的测试样本做预测，如果预测结果和真实标签匹配，说明是模型保存/加载环节的问题，检查保存时是否用model.save('tfmodel.h5')全量保存，加载时是否用tf.keras.models.load_model('tfmodel.h5')加载正确的文件。
• 正确处理预测输出：模型输出的是31个类别的概率值，需要用np.argmax(pred_result, axis=1)获取预测的类别编号，再映射到对应字母，不能直接将概率值作为类别编号使用。
• 对齐输入维度：单样本预测时需要将输入的维度从(63,)调整为(1,63)，和训练时的输入维度格式保持一致，避免维度不匹配导致的异常输出。

内容的提问来源于stack exchange，提问作者Mayama