Python 为什么对于一个图像类，我的Keras预测总是接近100%？

我正在使用Keras（在tf2.3之上）来训练一个图像分类器。在某些情况下，我有两个以上的类，但通常只有两个类（“好”或“坏”）。我使用

tensorflow.keras.applications.VGG16

类作为基础模型，顶部有一个自定义分类器，如下所示：

input\u layer=layers.input（shape=（self.image\u size，self.image\u size，3），name=“model\u input”）
基本模型=VGG16（权重=“imagenet”，包括顶部=假，输入张量=输入层）
模型头=基本模型输出
模型头=层。平均池2D（池头大小=（4,4））（模型头）
模型头=层。展平（）（模型头）
模型头=层。密集（256，activation=“relu”）（模型头）
模型头=层。辍学（0.5）（模型头）
model\u head=layers.Dense（len（self.image\u类），activation=“softmax”）（model\u head）

正如您在最后一层（输出）中所看到的，我正在使用

softmax

激活功能。然后用

分类交叉熵

损失函数编译整个模型，并用一个热编码图像数据（标签）进行训练

总的来说，模型的性能相当好，我对结果感到满意，我用我们的数据集实现了99%以上的测试和验证精度。但有一件事我不明白：

当我在Keras模型上调用

predict（）

并查看预测结果时，它们总是0或1（或者至少非常非常接近，比如0.000001和0.999999）。因此，我的分类器似乎非常确定图像属于“好”还是“坏”两个类（例如，如果我只使用两个类）。然而，我的假设是，这些预测通常不是那么清晰，更多的是“模型认为这幅图像属于a类的概率为80%”，但正如我在案例中所说的，它总是100%确定的

---

你知道为什么会这样吗？

你的两个类可能非常容易区分。尝试使用具有一些共同特征的图像进行预测。

这是神经网络的一个常见研究问题，它们会做出过度自信的预测，这与Keras甚至编程都没有关系。不，在我们的数据集中，这两类图像看起来几乎相同。只需尝试以下两个步骤：1）删除“AveragePoolig2D（）直接使用“展平（）。2） 使用“BatchNormalization（）”。然后请告诉我结果。我删除了

averagepoolig2d

层，并按照您的建议直接从

flatte

开始。但是，当我在该模型上调用

set_weights（）

从磁盘加载预先训练的权重时，我得到以下错误：“ValueError:Layer weight shape（25088256）与提供的权重shape（512，256）不兼容”。知道我如何解决htis吗？你必须再次找到新的“权重”，因为你已经改变了网络，所以早期的权重文件将无法工作。因此，重新训练网络。