使用image_dataset_from_directory的VGG16二分类模型如何生成混淆矩阵

该错误和prefetch配置无关，是你初始化存储结果的数组时维度不匹配导致的：
你初始定义的predicted_probs = np.empty([])、true_classes = np.empty([])是0维的标量数组，而循环中拿到的模型输出维度是(batch_size, 1)、标签维度是(batch_size,)，维度不一致无法拼接，才抛出该错误。

修复方案：修改数组初始化代码即可，其余逻辑无需改动：

# 初始化维度匹配的空数组
predicted_probs = np.empty((0, 1))
true_classes =  np.empty((0,))

for images, labels in test_ds:
  predicted_probs = np.concatenate([predicted_probs, model(images)])
  true_classes = np.concatenate([true_classes, labels.numpy()])

为什么用argmax得到全0结果 #

你的模型最终输出层是Dense(1)，属于单神经元二分类结构，输出维度为(样本数, 1)，argmax是取最后一维最大值的索引，而最后一维只有1个元素，索引永远为0，自然所有样本都会被判定为0类，该方法仅适用于输出为2个神经元的多分类结构。

0.5阈值转换逻辑的合理性 #

0.5是二分类任务最通用的判定阈值，逻辑为：当模型判定样本属于正类的概率≥50%时，就归为正类，否则归为负类，逻辑完全正确。
这里有一个细节补充：你训练时设置了from_logits=True，模型原始输出是未经过sigmoid激活的logits值，严格来说需要先转成概率再判定：

# 更严谨的转换逻辑
predicted_classes = [1 * (tf.sigmoid(x[0]) >= 0.5) for x in predictions]

不过从你给出的混淆矩阵结果来看，模型对正负样本的区分度极高，仅漏判7个样本，准确率超过99.9%，即使直接用原始输出和0.5比较，也不会影响最终结果，当前得到的混淆矩阵是完全可信的。

内容的提问来源于stack exchange，提问作者Vaughn Golding