Keras CNN二分类：训练val_acc超95%，同验证集预测准确率不足60%？

先直接给结论：训练时验证准确率很高，但预测时结果拉胯，这种情况非常常见，核心问题都藏在你的代码细节里，我们一个个捋：

1. 训练和预测的图像预处理完全不一致（头号元凶） #

你训练的时候，不管是训练集还是验证集的生成器，都加了rescale=1. / 255——也就是把图像的像素值从0-255缩放到了0-1之间，模型完全是在这种归一化后的图像上学到的特征。但你预测用的validgen居然彻底漏掉了这个关键操作！

看看你的代码对比：

# 训练时的预处理（正确操作）
train_datagen = ImageDataGenerator(rescale=1. / 255, ...)
test_datagen = ImageDataGenerator(rescale=1. / 255, ...)

# 预测时的预处理（致命遗漏！）
validgen = ImageDataGenerator(horizontal_flip=False, data_format='channels_first')

模型从来没见过0-255的原始像素数据，喂进去自然会彻底懵圈，预测结果当然不准。

立刻修复方案：给预测生成器加上一模一样的归一化：

validgen = ImageDataGenerator(rescale=1. / 255, horizontal_flip=False, data_format='channels_first')

2. 预测用的数据集根本不对 #

你说“使用同一验证数据进行预测”，但看代码里的路径和生成器输出完全矛盾：

• 训练时的验证集是data/Validation（200个样本）
• 预测时却用了data/test，生成器显示Found 10 images belonging to 1 classes，但你又说“对全部100张class 0的验证图片进行预测”

这里的问题要么是：

• data/test里根本不是你说的验证集数据
• 要么你的data/test目录结构不符合flow_from_directory的要求（这个函数必须要求每个类别对应一个子文件夹，比如data/test/class0、data/test/class1）

检查&修复：

• 如果要直接用验证集做预测，把test_data_dir改成validation_data_dir就行
• 确认你的测试目录结构和训练/验证集完全一致，不然生成器读不到正确的标签

3. 模型输入格式的硬编码隐患 #

你代码里先判断了K.image_data_format()来设置input_shape，但后面加卷积层的时候直接硬编码了data_format='channels_first'和input_shape=(1,230,170)：

if K.image_data_format() == 'channels_first':
    input_shape = (1, img_width, img_height)
else:
    input_shape = (img_width, img_height, 1)
# 这里直接写死了，白做了上面的判断
model.add(Convolution2D(32, (3, 3),data_format='channels_first' , input_shape=(1,230,170)))

虽然训练时没报错（因为你生成器也用了channels_first），但这写法很不鲁棒，万一换后端就会出问题。建议改成用变量，保持一致性：

model.add(Convolution2D(32, (3, 3), data_format=K.image_data_format(), input_shape=input_shape))

4. 预测结果的后处理要跟上 #

你的模型输出是sigmoid的概率值，得用阈值（比如0.5）转成类别标签，然后和真实标签对比才能算出准确率：

# 把概率转成类别（0或1）
pred_classes = (preds > 0.5).astype(int)
# 因为shuffle=False，所以预测结果和生成器的classes顺序完全对应
print("真实标签：", test_gen.classes)
print("预测标签：", pred_classes.flatten())

这样你就能清楚看到哪些样本预测错了，而不是只看零散的结果。

按照上面的步骤改完，你的预测准确率应该会和训练时的val_acc差不多了。

内容的提问来源于stack exchange，提问作者keshav