CNN模型所有预测结果均相同的问题排查求助

嘿，我看你遇到了一个挺让人困惑的问题——不管输入什么图像，CNN模型的预测结果都完全一致，虽然训练时显示准确率超过99%。咱们来一步步拆解代码里的问题，找到根源：

核心问题：预测时的图像预处理和训练完全不一致 #

这是导致预测结果固定的最关键原因，模型训练时是用归一化后的像素值，但预测时完全没做对应的预处理：

1. 缺少归一化操作 #

训练时你对输入做了X_train/=255和X_test/=255，把像素值缩放到了0-1之间，但预测时的newimg还是原始的0-255像素值，模型拿到完全不在训练分布里的数据，自然会输出异常的固定结果。

2. 图像处理逻辑错误 #

你在轮廓提取环节已经对图像做了灰度化、二值化、膨胀等处理，但最后却回到原始彩色图像image去裁剪和resize，这完全偏离了训练数据的分布（MNIST是手写数字的灰度二值图）。应该用处理后的二值化图像来进行后续的裁剪和resize操作。

3. 代码里的小bug #

• 变量名错误：img.shape这里应该是newimg.shape，否则会报错（img还没定义）
• 窗口显示问题：cv2.imshow("screen",img)这里的img是四维张量，cv2无法直接显示，应该用newimg或者squeeze后的二维数组

修正后的预测代码片段 #

import cv2
import numpy as np

# 读取图像并预处理
image = cv2.imread("pitrain.png")
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) # 转灰度
ret, thresh = cv2.threshold(gray,150,255,cv2.THRESH_BINARY_INV) # 二值化（和MNIST的黑底白字对齐）
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(3,3))
dilated = cv2.dilate(thresh,kernel,iterations = 13) # 膨胀

# 提取轮廓并处理
im2, contours, hierarchy = cv2.findContours(dilated,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)
for contour in contours:
    x,y,w,h = cv2.boundingRect(contour)
    # 过滤不合理的轮廓尺寸
    if h>300 and w>300:
        continue
    if h<40 or w<40:
        continue
    # 从二值化图像中裁剪数字区域
    digit_roi = thresh[y:y+h, x:x+w]
    # 调整尺寸到MNIST的28x28
    newimg = cv2.resize(digit_roi,(28,28))
    # 归一化（和训练时一致）
    newimg = newimg.astype('float32') / 255.0
    # 调整维度为模型需要的[1,28,28,1]
    img = np.reshape(newimg,[1,28,28,1])
    # 预测
    pred = classifier.predict(img)
    print("预测结果：", np.argmax(pred))
    # 显示裁剪后的数字
    cv2.imshow("digit", newimg)
    cv2.waitKey(0)

cv2.destroyAllWindows()

额外的训练代码优化点 #

你训练时的fit_generator参数有问题：

• steps_per_epoch应该设置为len(X_train)//batch_size也就是60000//64=937，而不是60000，否则一个epoch会重复遍历训练数据几十次，导致训练效率极低，准确率的计算也会失真。
• 同样validation_steps应该是10000//64=157而不是10000。

修正后的训练代码：

classifier.fit_generator(
    train_generator, 
    steps_per_epoch=60000//64, 
    epochs=5, # 可以多训练几个epoch，效果会更好
    validation_data=test_generator, 
    validation_steps=10000//64
)

内容的提问来源于stack exchange，提问作者haik