Tensorflow keras模型几乎达到100%的验证精度，但预测总是返回1

我是tensorflow的新手，正在尝试建立一个模型来对两类图像进行分类

验证准确率在12个阶段后达到98%（这似乎异常高）。预测时，无论输入的图像是什么，它总是输出：[[1.]]

加载数据：

import numpy as np
import os
import cv2
from tqdm import tqdm
import random
import pickle

dataDir = "C:/optimised_dataset"

categories = ["demented", "healthy"]

IMG_WIDTH = 44
IMG_HEIGHT = 52
lim = 0

training_data = []

def create_training_data():
    for category in categories:
        path = os.path.join(dataDir, category)  # path to demented or healthy dir
        class_num = categories.index(category)
        lim = 0
        for img in tqdm(os.listdir(path)):
            if lim < 3000:
                try:
                    img_array = cv2.imread(os.path.join(path, img), cv2.IMREAD_GRAYSCALE)
                    new_array = cv2.resize(img_array, (IMG_WIDTH, IMG_HEIGHT))
                    training_data.append([new_array, class_num])
                    lim+=1
                except Exception as e:
                    pass
            else:
                break

create_training_data()

random.shuffle(training_data)

X = []
Y = []

for features, label in training_data:
    X.append(features)
    Y.append(label)

X = np.array(X).reshape(-1, IMG_WIDTH, IMG_HEIGHT, 1)
Y = np.array(Y)

pickle_out = open("X.pickle", "wb")
pickle.dump(X, pickle_out)
pickle_out.close()

pickle_out = open("Y.pickle", "wb")
pickle.dump(Y, pickle_out)
pickle_out.close()

预测：

import cv2
import tensorflow as tf

categories = ["demented", "healthy"]


def prepare(filepath):
    IMG_WIDTH = 44
    IMG_HEIGHT = 52
    img_array = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
    img_array = img_array / 255.0
    new_array = cv2.resize(img_array, (IMG_WIDTH, IMG_HEIGHT))
    return new_array.reshape(-1, IMG_WIDTH, IMG_HEIGHT, 1)


model = tf.keras.models.load_model("DD1.model")

prediction = model.predict([prepare('D:/test.png')])

print(prediction)

---

当我删除

img\u array=img\u array/255.0

时，它会输出一个介于0和1之间的看似随机的十进制数。

正如我已经指出的，这种情况的原因是大多数情况下的类不平衡

比如说，你有两个班，A班有96个样本，B班有4个样本。在这种极端情况下，如果我们从一个总是预测a类的模型开始，它将达到96%的准确率

要解决此问题，您可以尝试-

分配类权重

尝试数据扩充以增加少数类中的样本数

使用f1分数来评估模型，而不是准确性

---

正如我已经指出的，在大多数情况下，造成这种情况的原因是阶级不平衡

比如说，你有两个班，A班有96个样本，B班有4个样本。在这种极端情况下，如果我们从一个总是预测a类的模型开始，它将达到96%的准确率

要解决此问题，您可以尝试-

分配类权重

尝试数据扩充以增加少数类中的样本数

使用f1分数来评估模型，而不是准确性

---

检查你的数据是否高度不平衡。嗯。。我用另一个数据集替换了这些数据，结果成功了。但我不明白，如果你的数据高度不平衡，为什么我的原始数据会产生98%的验证准确率。嗯。。我用另一个数据集替换了这些数据，结果成功了。但我不明白为什么我的原始数据产生98%的验证准确率

import cv2
import tensorflow as tf

categories = ["demented", "healthy"]


def prepare(filepath):
    IMG_WIDTH = 44
    IMG_HEIGHT = 52
    img_array = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
    img_array = img_array / 255.0
    new_array = cv2.resize(img_array, (IMG_WIDTH, IMG_HEIGHT))
    return new_array.reshape(-1, IMG_WIDTH, IMG_HEIGHT, 1)


model = tf.keras.models.load_model("DD1.model")

prediction = model.predict([prepare('D:/test.png')])

print(prediction)

from sklearn.utils import class_weight

class_weights = class_weight.compute_class_weight('balanced',
                                                 np.unique(y_train),
                                                 y_train)


model.fit(X_train, y_train, class_weight=class_weights)