Python keras迁移学习预测班级工作，预测不工作

我正在使用迁移学习，并在“inception_v3”模型的基础上进行构建。训练似乎进行得很顺利，我得到的val_精度为0.9526。我也可以做预测课后，得到新样本的预测标签-这似乎也相当好。 然而，由于某种原因，当我尝试使用预测函数时，它总是输出在0到3.31e-11范围内的非常低的概率。我认为它应该输出0到1的概率？ 也许我做错了什么？这是一个两级问题，这就是我正在做的：

导入tensorflow作为tf
从tensorflow.keras.preprocessing.image导入ImageDataGenerator
从tensorflow.keras.callbacks导入模型检查点、还原隆坪、早期停止
从tensorflow.keras.optimizers导入Adam
从tensorflow.keras导入正则化器
图像大小=（128128）
批量大小=32
训练\u ds=tf.keras.preprocessing.image\u数据集\u来自\u目录(
数据目录，
验证_分割=0.2，
subset=“培训”，
label_mode='binary'，
种子=1337，
图像大小=图像大小，
批次大小=批次大小，
)
val_ds=tf.keras.preprocessing.image_数据集来自_目录(
数据目录，
验证_分割=0.2，
subset=“验证”，
label_mode='binary'，
种子=1337，
图像大小=图像大小，
批次大小=批次大小，
)
全局平均层=tf.keras.layers.GlobalAveragePoolig2D（）
Dl_1=tf.keras.layers.Dropout（速率=0.2）
预测层=tf.keras.layers.density（1，活化='sigmoid'）120，softmax
#添加退出层
模型_V3=tf.keras.Sequential([
预先培训的模型，
全球平均层，
Dl_1，
预测层
])
模型_V3.compile（optimizer='adam'，
loss='binary_Cross熵'，#稀疏_Category_Cross熵
指标=[‘准确度’]）
模型_V3.summary（）
#回调
lr_reduce=reducelRonplation（监视器='val_loss'，系数=0.2，耐心=3，详细=2，模式='max'）
提前停止=提前停止（监视器='val\u loss'，最小增量=0.1，耐心=1，模式='min'）
hist=型号_V3.fit(
扩充序列重复（），每历元步数=int（8000/批次大小），
epochs=10，validation\u data=augmented\u val\u ds.repeat（），
验证步骤=int（2000/批量大小），回调=[lr\u reduce]）
Ypred=model_V3.predict（val_ds）#在Yoskutik的帮助下，代码现在看起来如下所示，并且已经改进，但我仍然不明白为什么我会得到这样的结果（参见下面的代码）

在最后一个时代，我得到了这个输出

Epoch 5/5
414/414 [==============================] - ETA: 0s - loss: 0.1207 - accuracy: 0.9587
Epoch 00005: ReduceLROnPlateau reducing learning rate to 0.00020000000949949026.
414/414 [==============================] - 98s 236ms/step - loss: 0.1207 - accuracy: 0.9587 - val_loss: 0.1029 - val_accuracy: 0.9661

因此，val_精度：0.9661。但计算出的roc_auc_分数显示为0.51504105096363
混淆矩阵显示：

[[2094  552]
 [ 545  114]]

一个精确率为96%的模型怎么能给出如此糟糕的结果

将tensorflow导入为tf
导入操作系统
从tensorflow进口keras
从tensorflow.keras导入图层
将matplotlib.pyplot作为plt导入
来自tensorflow.keras.applications.inception\u v3导入接收v3
将numpy作为np导入
导入tensorflow作为tf
从tensorflow.keras.preprocessing.image导入ImageDataGenerator
从tensorflow.keras.callbacks导入模型检查点、还原隆坪、早期停止
从tensorflow.keras.optimizers导入Adam
从tensorflow.keras导入正则化器
从sklearn.metrics导入分类报告、混淆矩阵、roc\U auc\U分数
数据_dir='/path/to_dir/'
图像大小=（128128）
目标大小=（128128）
批量大小=32
datagen=tf.keras.preprocessing.image.ImageDataGenerator(
缩放范围=0.2，
剪切范围=0.2，
旋转范围=10，
重新缩放=1/255，
验证_分割=0.2，
#其他事情。。。
)
列车\u ds=来自\u目录的datagen.flow\u(
数据目录，
subset=“培训”，
class_mode='binary'，
目标大小=目标大小，
批次大小=批次大小，
)
val_ds=datagen.flow_来自_目录(
数据目录，
subset=“验证”，
class_mode='binary'，
目标大小=目标大小，
批次大小=批次大小，
)
预先训练的模型=接收v3（输入形状=（128128,3），
include_top=False，
权重（='imagenet'）
对于pre_trained_model.layers中的图层：
layer.trainable=错误
全局平均层=tf.keras.layers.GlobalAveragePoolig2D（）
Dl_1=tf.keras.layers.Dropout（速率=0.2）
预测层=tf.keras.layers.density（1，活化='sigmoid'）
模型_V3=tf.keras.Sequential([
预先培训的模型，
全球平均层，
Dl_1，
预测层
])
模型_V3.compile（optimizer='adam'，
损失='binary\u交叉熵'，
指标=[‘准确度’]）
lr_reduce=reducelRonplation（监视器='val_loss'，系数=0.2，耐心=3，详细=2，模式='max'）
hist=型号_V3.fit(
列车,，
纪元=5，
每历元步数=len（列数），
验证数据=val\U ds，
验证步骤=len（val\u ds），
回调=[lr\u reduce]）
y_分数=模型V3.预测（val_ds）
y_pclass=模型V3.预测类（val\u ds）
打印（混淆矩阵（值类，y类））
打印（roc_auc_分数（val_ds.classes，y_分数））
在Yoskutik的帮助下，代码现在看起来如下所示，并且有所改进，但我仍然不明白为什么会得到这样的结果（请参见下面的代码）

在最后一个时代，我得到了这个输出

Epoch 5/5
414/414 [==============================] - ETA: 0s - loss: 0.1207 - accuracy: 0.9587
Epoch 00005: ReduceLROnPlateau reducing learning rate to 0.00020000000949949026.
414/414 [==============================] - 98s 236ms/step - loss: 0.1207 - accuracy: 0.9587 - val_loss: 0.1029 - val_accuracy: 0.9661

因此，val_精度：0.9661。但计算出的roc_auc_分数显示为0.51504105096363
混淆矩阵显示：

[[2094  552]
 [ 545  114]]

一个精确率为96%的模型怎么能给出如此糟糕的结果

将tensorflow导入为tf
导入操作系统
从tensorflow进口keras
从tensorflow.keras导入图层
将matplotlib.pyplot作为plt导入
来自tensorflow.keras.applications.inception\u v3导入接收v3
将numpy作为np导入
导入tensorflow作为tf
从tensorflow.keras.preprocessing.image导入ImageDataGenerator
从tensorflow.keras.callbacks导入模型检查点、还原隆坪、早期停止
从tensorflow.keras.optimizers导入Adam
从tensorflow.keras导入正则化器
从sklearn.metrics导入分类报告、混淆矩阵、roc\U auc\U分数
数据_dir='/path/to_dir/'
图像大小=（128128