微调VGG-16模型对所有测试图像输出相同预测结果求助

安全阿岳

2026-5-26

这种全相同预测结果的问题我之前也碰到过好几次，大概率是预测环节的预处理或者模型加载出了问题——毕竟训练过程正常的话，模型不该这么“摆烂”😅。结合你跨服务器和本地的场景，给你梳理几个核心排查方向：

1. 训练与预测的预处理完全不一致（最常见原因）

VGG-16这类预训练模型对输入的预处理细节极其敏感，哪怕是通道顺序、归一化方式差一点，都会导致模型输出完全失效。

你得把训练时的预处理逻辑和预测时的逐行对比：比如训练时是不是用了keras.applications.vgg16.preprocess_input（会把RGB转BGR，并用ImageNet均值归一化）？预测时是不是自己手动做了rescale=1/255但没做均值减法？或者训练时resize到了(224,224)，预测时却用了别的尺寸？
举个反例：如果训练时用了VGG官方预处理，预测时却直接把图像转成0-1的RGB张量，模型看到的输入分布和训练时完全不匹配，就会输出固定的“平均概率”。

2. 模型加载出错了

跨环境加载模型很容易踩坑，你得确认本地加载的真的是训练好的那个模型：

如果你在服务器上用model.save()存了完整模型，本地用load_model()加载时，要确保本地的Keras/TensorFlow版本和服务器一致——版本差异可能导致权重加载异常，甚至直接加载成初始权重的VGG-16（初始模型对陌生数据输出固定概率太正常了）。
如果只存了权重文件（save_weights()），那本地必须完全复刻训练时的模型结构：比如顶层加的全连接层数、激活函数（是softmax还是sigmoid？输出维度是2还是1？）都得和训练时一模一样，少一层或者激活函数错了，加载的权重根本对应不上。
简单验证方法：打印模型第一层卷积核的前几个参数值，和服务器上训练后的模型对比，如果完全不一样，那肯定是加载错了。

3. 测试数据加载出问题了

目录差异很可能导致你加载的测试数据根本不对：

会不会本地路径写错了，导致所有“测试图”其实都是同一张图？或者加载失败后默认填充了全0/全1的张量？你可以在预测前随机挑几张图打印像素值、显示出来（比如用plt.imshow()），确认加载的是正确的医学图像。
比如服务器上的测试集路径是/server_data/test/，本地你写成了./test/，但这个本地文件夹里只有一张图，或者是空的，代码自动填充了默认值，那模型自然输出一样的结果。

4. 预测时的batch处理逻辑错误

如果是批量预测，有没有可能预处理函数里不小心把所有图像都改成了同一个样本？

先单独预测一张图试试，如果结果还是22.31%，那问题出在单张图的预处理或模型加载；如果单张图结果正常，那就是批量处理时的循环/数组操作写错了（比如把所有样本都赋值成了第一个样本）。

给你几个具体的代码检查点

对比训练和预测的预处理：

# 训练时的预处理（示例）
train_datagen = ImageDataGenerator(
    preprocessing_function=keras.applications.vgg16.preprocess_input
)
train_generator = train_datagen.flow_from_directory(
    '/server_data/train/',
    target_size=(224, 224),
    batch_size=32,
    class_mode='categorical'
)

# 预测时必须完全复刻这个逻辑
def predict_single_img(img_path):
    img = load_img(img_path, target_size=(224, 224))  # 尺寸和训练一致
    x = img_to_array(img)
    x = np.expand_dims(x, axis=0)
    x = keras.applications.vgg16.preprocess_input(x)  # 必须用同一个预处理函数
    return model.predict(x)

检查模型加载：

# 正确加载完整模型的方式
from tensorflow.keras.models import load_model
model = load_model('/path/to/your/trained_model.h5')

# 如果是加载权重，必须先构建完全一致的模型结构
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))
# 这里要和训练时的顶层完全一样
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(128, activation='relu')(x)
predictions = Dense(2, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)
model.load_weights('/path/to/your/trained_weights.h5')

先从预处理和模型加载入手排查吧，这两个是跨环境预测最容易踩的坑，细节一定要抠到位！

内容的提问来源于stack exchange，提问作者sachsom