训练识别10种猴子的CNN时val_acc高但实际预测准确率低求助

这种情况我之前踩过好几次，明明训练时验证集准确率看着挺亮眼，一跑预测脚本直接翻车到16%，大概率是预测环节和训练环节的流程不匹配，或者细节上出了疏漏，咱们挨个排查：

1. 数据预处理完全不一致（最常见的坑） #

训练时你对图像做的所有操作，预测时必须原封不动照搬，差一步都不行：

• 比如训练时用了transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])做归一化，预测时却直接读了原图就喂给模型，模型看到的像素分布和训练时完全不一样，能猜对才怪；
• 训练时用了RandomResizedCrop(224)，预测时得换成Resize(256) + CenterCrop(224)或者固定Resize到224，不能再用随机裁剪——不然预测时的图像尺寸/区域和训练时的分布不匹配；
• 还有颜色通道顺序！比如训练时用的是RGB，预测时不小心读成了BGR（比如用OpenCV读图默认是BGR），这也会直接打乱特征。

2. 模型没切到eval模式 #

训练时模型里的Dropout、BatchNorm层是“训练模式”：Dropout会随机失活神经元，BatchNorm会实时更新均值方差。但预测时必须把模型切换到eval()模式，不然这些层的行为会和训练时完全不同，导致预测结果混乱。

检查一下你的预测脚本里有没有这行：

model.eval()

如果没有，加上之后再试试——我之前就因为漏了这行，准确率直接从90%掉到20%。

3. 标签映射搞反/不匹配 #

训练时数据集的class_to_idx（比如{'金丝猴':0, '猕猴':1, ...}）和你预测时手动写的标签列表是不是完全对应？
比如训练时“金丝猴”对应索引0，但你预测时把标签列表写成了['猕猴', '金丝猴', ...]，那模型预测出来的索引0会被你当成“猕猴”，结果全错。

解决方法很简单：把训练时保存的class_to_idx（可以存在一个json文件里）加载到预测脚本里，不要手动写标签顺序。

4. 预测时的数据集读取错误 #

你是不是在预测时手动遍历文件夹给标签，但给错了？比如训练时用ImageFolder自动按文件夹名映射标签，文件夹“golden_monkey”对应索引0，但你预测时把这个文件夹里的样本全标成了索引1，那模型就算预测对了，也会被你算成错误。

另外，也有可能你预测时用的数据集根本不是原来的训练/验证集——比如文件夹里的文件被误删、移动过，导致标签和样本不匹配。可以随机抽几个样本，手动看类别，再对比模型的预测结果，看看是不是完全对不上。

快速排查步骤 #

1. 拿训练时的一个已知标签的样本，先在训练代码里跑一次预测（训练完不关闭脚本，直接喂这个样本），记录结果；
2. 把同一个样本放到预测脚本里跑，对比两次结果——如果不一样，就一步步对比两个流程的预处理步骤、模型状态；
3. 打印模型eval()模式下的输出，看softmax后的概率分布：如果有一个明显的最高概率类别，那大概率是标签映射的问题；如果概率都很平均，那就是预处理或模型状态的问题。

内容的提问来源于stack exchange，提问作者A_toaster