模型经超参数调优后仍始终以高置信度将所有图像判定为猫

看起来你的模型遇到了典型的“所有样本预测同一类别”问题，我来帮你一步步排查可能的原因，以及对应的解决办法：

1. 首先排查数据集路径的致命错误 #

你在开头提到，PetImages下的子文件夹是Cats和Dogs，但训练代码里的filter_corrupted_images函数，遍历的文件夹名称是("Cat", "Dog")——这两个路径根本不存在！

这会导致两个严重问题：

• 损坏图片过滤函数完全没起作用，数据集中的坏图会干扰模型学习；
• 更关键的是，你得确认image_dataset_from_directory加载数据时的输出：如果控制台打印的是“Found X files belonging to 1 class”，说明函数只识别到了一个类别的数据（比如只有Cats被加载），模型自然只会一直预测这个类别。

修复方法：把filter_corrupted_images里的folder_name改成("Cats", "Dogs")，和你的实际目录结构完全匹配。

2. 验证集被错误应用了数据增强 #

你的configure_for_performance函数里包含了随机翻转、旋转、缩放等数据增强操作，这些是只应该给训练集用的——验证集的作用是评估模型的真实泛化能力，不能加随机变换，否则验证结果完全失真，早停机制也会失效，导致模型根本学不到有效的区分特征。

修复方法：修改主函数里的数据集处理逻辑，只对训练集做增强，验证集只做预取优化：

if __name__ == "__main__":
    filter_corrupted_images()

    model = load_model_if_exists("model_best.keras")

    train_ds, val_ds = generate_datasets(image_size=(180, 180), batch_size=BATCH_SIZE)
    # 仅训练集应用数据增强
    train_ds = configure_for_performance(train_ds)
    # 验证集只做prefetch，不做增强
    val_ds = val_ds.prefetch(buffer_size=tf.data.AUTOTUNE)

    train_model(model, train_ds, val_ds, epochs=EPOCHS)
    model.save("model_best.keras")

3. 检查模型是否真的在“学习” #

训练时一定要盯着控制台的loss和accuracy变化：

• 如果训练集accuracy一直徘徊在50%左右：说明模型完全没学到特征，要么是数据集加载错误（比如只有一个类别），要么是学习率过高/过低，或者网络结构太复杂/简单；
• 如果训练集accuracy很快到100%，但验证集accuracy一直很低：这是过拟合，需要减少网络层数、增加Dropout比例，或者降低数据增强的强度；
• 如果两者都卡在50%左右：大概率是数据集加载出了问题，比如只有一个类别的数据被训练。

你可以在generate_datasets函数后加一段代码，统计训练集的类别分布，确认两个类别的样本数量是否平衡：

train_ds, val_ds = generate_datasets(...)
# 打印类别名称和样本数
class_names = train_ds.class_names
print(f"识别到的类别：{class_names}")

import numpy as np
train_counts = np.zeros(len(class_names))
for _, y in train_ds:
    train_counts += np.bincount(y, minlength=len(class_names))
print(f"训练集类别样本数：{dict(zip(class_names, train_counts))}")

如果某个类别的样本数为0，那问题根源就在这里了。

4. 标签映射与预测逻辑是否匹配 #

image_dataset_from_directory会按文件夹名称的字母顺序分配标签：Cats会被映射为0，Dogs映射为1。你的模型用sigmoid输出，结果代表样本属于类别1（Dogs）的概率，所以你测试代码里1 - predictions[0][0]是Cat的置信度、predictions[0][0]是Dog的置信度，这部分逻辑是对的——但如果模型根本没学到区分特征，就会一直输出偏向某一类的结果。

最后，尝试简化模型重新训练 #

如果前面的问题都修复了，还是出现同样的情况，可以先简化模型结构（比如减少卷积层数量，把FILTER_SIZES改成[32, 64, 128]），降低训练轮数，用小一点的学习率（比如1e-4）重新训练，先让模型学到基本的区分能力，再逐步调优。

备注：内容来源于stack exchange，提问作者Akagami Shanks