从零训练MobileNet识别日文字符：验证集准确率为0的问题求助

AI 小北

2026-5-27

问题分析与解决方案

首先，先解答你关于标签的两个疑问：

标签相关疑问

是否需要独热编码？
是的，因为你使用的是categorical_crossentropy作为损失函数，这种损失函数要求标签是独热编码格式（每个标签对应一个长度为类别数的向量，只有对应类别位置为1，其余为0）。你代码中已经使用tf.one_hot(label, num_classes)做了这个转换，这部分是正确的，但要注意：你的标签取值必须是0到955之间的整数（因为总共有956个类别），如果标签存在超出这个范围的数值，会导致独热编码失效，进而影响损失计算。
是否可以使用全零标签？
绝对不可以！如果所有样本的标签都是0，模型只会学到“输出类别0就可以降低损失”，完全无法区分不同的日文字符类别，这会直接导致验证集准确率为0，训练集损失下降只是模型记住了这个无效的模式，没有任何泛化能力。请立即检查你的TFRecord文件中的标签是否有正常的类别分布，而不是全零或大部分为零。

代码中的核心问题排查

1. 输入图像尺寸不匹配MobileNet设计

MobileNet的默认输入尺寸是224x224x3，而你当前使用的是64x64的图像。小尺寸图像的特征信息量远不足以支撑956个类别的分类任务，会导致模型无法提取到足够的区分特征。

你代码中注释掉了图像resize的代码：

#image = tf.image.resize_images(image, (224, 224))

请取消注释这一行，将图像统一resize到224x224，这是MobileNet设计时优化的输入尺寸，能大幅提升特征提取能力。

2. 训练步数设置矛盾

你代码中设置了max_steps=500，但描述中说训练了约10万次迭代，这明显矛盾。如果是实际训练时修改了参数，那没问题；但如果是代码中的max_steps未更新，500步对于956类的任务来说远远不够，模型还没来得及学习到有效特征。

3. 数据正确性验证

建议先编写一个小脚本，读取你的TFRecord文件，解码几个样本的图像和标签，确认：

图像解码后是正确的日文字符图像（可以用PIL显示）
标签的取值范围在0~955之间，且分布正常（不是全零或集中在少数类别）

示例验证代码片段：

import tensorflow as tf

def check_tfrecord(filename):
    dataset = tf.data.TFRecordDataset(filename)
    for serialized in dataset.take(5):  # 取前5个样本
        features = {
            'image/encoded': tf.FixedLenFeature([], tf.string),
            'image/class/label': tf.FixedLenFeature([], tf.int64)
        }
        parsed_example = tf.parse_single_example(serialized, features)
        image = tf.image.decode_png(parsed_example['image/encoded'], 3)
        label = parsed_example['image/class/label']
        print(f"Label: {label.numpy()}")
        # 显示图像
        from PIL import Image
        img = Image.fromarray(image.numpy())
        img.show()

check_tfrecord('/home/myuser/data_set/dump_train_00000-of-00006.tfrecord')

4. 输入函数的潜在问题

检查_parse_function中image_shape的定义：

image_shape = tf.stack([parsed_example['image/width'], parsed_example['image/height'], 3])

如果你的TFRecord中存储的image/width和image/height都是64，那没问题；但如果存在不同尺寸的图像，tf.reshape会报错。而你后续如果resize到224x224，其实可以直接固定shape为(224,224,3)，不需要从TFRecord中读取宽高，避免潜在的形状不匹配问题。修改为：

image = tf.image.resize_images(image, (224, 224))
image = tf.reshape(image, (224, 224, 3))

额外建议

尝试降低学习率：如果验证集损失先上升后稳定，可能是学习率过高导致模型震荡无法收敛。可以尝试将Adam的学习率设置为1e-4，RMSProp设置为1e-3，观察效果。
增加正则化：956个类别属于多分类任务，容易过拟合，你已经设置了dropout=0.001，可以尝试提高dropout率到0.2或添加L2正则化，增强模型泛化能力。
监控训练过程：在训练时查看Estimator的日志输出，确认训练集的准确率是否真的在上升，如果训练集准确率也很低，说明模型根本没学到东西，大概率是数据（图像或标签）有问题。

内容的提问来源于stack exchange，提问作者Seba

从零训练MobileNet识别日文字符：验证集准确率为0的问题求助

标签相关疑问 #

代码中的核心问题排查 #

1. 输入图像尺寸不匹配MobileNet设计 #

2. 训练步数设置矛盾 #

3. 数据正确性验证 #

4. 输入函数的潜在问题 #

额外建议 #