Keras中model.predict()对所有测试输入返回相同预测结果求助

DevOps 小满

2026-5-28

解决Keras回归模型预测输出全相同的问题

这种情况我之前也碰到过，看似矛盾（评估误差极小但预测全一致），其实大概率是数据或训练环节的细节出了问题，咱们一步步排查：

1. 先排查训练/测试数据的核心问题

这是最常见的触发原因：

检查标签分布：先打印训练集标签ytrain的统计特征，用numpy就能快速实现：
```
import numpy as np
print(f"ytrain均值: {np.mean(ytrain)}, 标准差: {np.std(ytrain)}")
print(f"ytrain最小值: {np.min(ytrain)}, 最大值: {np.max(ytrain)}")
```
如果ytrain的标准差接近0，说明所有标签几乎都是同一个值，模型自然会学到输出这个固定值——评估时ytest大概率也接近这个值，所以误差极小，但预测结果必然全一致。
检查数据归一化的一致性：你提到已完成数据归一化，要确认xtest是用训练集的归一化参数转换的，而不是重新对xtest做拟合。比如用StandardScaler的正确流程是：
```
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
xtrain_scaled = scaler.fit_transform(xtrain)
xtest_scaled = scaler.transform(xtest)  # 这里绝对不能用fit_transform！
```
如果错误地对xtest用了fit_transform，会导致测试集输入分布和训练集完全脱节，模型根本无法做出有效预测。

打开训练日志，观察loss变化：你训练时用了verbose=0，看不到每一轮的loss走势，改成verbose=1重新训练：
```
model_final = model.fit(xtrain, ytrain, epochs=100, batch_size=10, verbose=1)
```
如果训练一开始loss就极低且几乎没有变化，那基本可以确定是标签本身没有波动；如果loss是逐步下降到极低值，再继续排查下面的点。
排查正则化是否过强：你给两个Dense层都加了l2(0.001)的正则化，如果你的数据本身信号比较弱，正则化可能会把模型权重压制到接近0，导致输出层只能输出偏置的平均值（也就是固定值）。可以先去掉正则化，简化模型测试：
```
def model_final():
    model = models.Sequential()
    model.add(layers.Dense(64, activation='relu', input_shape=(xtrain.shape[1],)))
    model.add(layers.Dense(64, activation='relu'))
    model.add(layers.Dense(1))
    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
    return model
```
如果去掉正则化后预测结果不再一致，说明之前的正则化强度不适合你的数据。
检查模型权重是否异常：打印模型第一层的权重，看看是不是都接近0：
```
weights, biases = model.layers[0].get_weights()
print(f"权重均值: {np.mean(weights)}, 权重标准差: {np.std(weights)}")
```
如果权重几乎全是0，说明正则化过强或者数据没有有效特征供模型学习。

按照上面的步骤排查，应该能快速定位问题所在。

内容的提问来源于stack exchange，提问作者Harris2018