为什么我的 Keras 预测对于一个图像类总是接近 100%？

Question

我正在使用 Keras（基于 TF 2.3）来训练图像分类器。在某些情况下，我有两个以上的课程，但通常只有两个课程（“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_layer = layers.Input(shape=(self.image_size, self.image_size, 3), name="model_input")
base_model = VGG16(weights="imagenet", include_top=False, input_tensor=input_layer)
model_head = base_model.output
model_head = layers.AveragePooling2D(pool_size=(4, 4))(model_head)
model_head = layers.Flatten()(model_head)
model_head = layers.Dense(256, activation="relu")(model_head)
model_head = layers.Dropout(0.5)(model_head)
model_head = layers.Dense(len(self.image_classes), activation="softmax")(model_head)

正如您在最后（输出）层中看到的，我使用了softmax 激活函数。然后我使用categorical_crossentropy 损失函数编译整个模型，并使用 one-hot-encoded 图像数据（标签）进行训练。

总而言之，该模型的性能非常好，我对结果感到满意，我的数据集测试和验证准确率超过 99%。不过有一点我不明白：

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，例如 0.000001 和 0.999999）。所以我的分类器似乎很确定图像属于“好”或“坏”类（例如，如果我只使用两个类）。然而，我的假设是，通常这些预测并不那么清楚，更多地是在 “模型认为这张图片属于 A 类的概率为 80%” - 但正如所说就我而言，它始终是 100% 确定的。

任何想法为什么会出现这种情况？

Answer 1

您的两个班级可能非常有区别。尝试使用具有一些共同特征的图像进行预测。