在知乎上有这样一个问题：
acc很高，但预测正确的样本占比又很低，怎么回事？ – 知乎
关于这个问题，在这个问题的回答中，有许多大佬从数据的分布、模型的结构、数据集的划分，以及验证指标等层面进行了解答。
在这里按照我的理解，简单描述一下这个问题： 模型训练正常，模型测试效果很差，甚至在训练集上的测试效果都很差。简单分析一下大概有以下几个方面的原因可以排查：
1、检查模型训练和模型测试的数据处理pipeline是否一致，比如训练时做了Normalize，测试时也要做Normalize， 这一点至关重要，我遇到的这类问题基本上都是因为数据预处理不一致导致的
2、检查模型在测试时有没有切换到推理模式，如pytorch中的eval()转换
3、检查输入的数据维度是否正确，比如训练时使用[N, C, H, W]，测试时也要使用同样的数据维度顺序，现在好多分类模型在后面会添加AdaptiveAvgPool层，即使输入的数据尺寸和训练时不一样也不会报错
4、检查模型参数加载是否正确，还是以pytorch框架为例，pytorch在加载模型时如果设置完全匹配的参数为False，在加载过程中即使参数和模型不匹配也不会报错，但是会使用默认的随机参数
以上就是目前在实际工作中遇到的一些可能原因分析，如果还有其他可能原因，欢迎随时指导。
Original: https://blog.csdn.net/cxx654/article/details/124145125
Author: 胖胖大海
Title: 分类模型训练完之后，测试效果极差可能原因分析
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/661640/
转载文章受原作者版权保护。转载请注明原作者出处！