你设置label_mode='categorical'，那么这是一个多类分类，你需要在最后一个密集层使用softmax激活。因为softmax强制输出总和等于1。你可以把它们解释为概率。使用sigmoid，不可能找到主要类。它可以无限制地分配任何值。

我的模型最后一层：Dense(5, activation = 'softmax')
我的模特损失：loss=tf.keras.losses.CategoricalCrossentropy()，和你的一样。在这种情况下，标签是独热编码的。
**说明：**我使用了5类分类用于演示目的，但它遵循相同的逻辑。

y_pred = model.predict(val_ds)

y_pred[:2]
>>> array([[0.28257513, 0.4343998 , 0.18222839, 0.04164065, 0.05915598],
       [0.36404607, 0.08850227, 0.15335019, 0.21602921, 0.17807229]],
      dtype=float32)

这包含了每个类的概率，例如第一个例子有43%的概率属于类2。您需要使用argmax来查找类索引。

predicted_categories = np.argmax(y_pred, axis = 1)
predicted_categories[:2]

array([1, 0])

我们现在有了预测的类。现在需要获得真正的类。

true_categories = tf.concat([y for x, y in val_ds], axis = 0).numpy() # convert to np array

    true_categories[:2]
>>> array([[1., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1.]], dtype=float32)

如果您将此输入分类报告，您将获得以下信息：

ValueError: Classification metrics can't handle a mix of multilabel-indicator and multiclass targets

我们还需要：

true_categories_argmax = np.argmax(true_categories, axis = 1)
    true_categories_argmax[:2]
>>> array([0, 4])

现在可以进行比较了。

print(classification_report(true_categories_argmax, predicted_categories))

这应该会产生预期的结果：

precision    recall  f1-score   support

   0       0.55      0.43      0.48       129
   1       0.53      0.83      0.64       176
   2       0.48      0.56      0.52       120
   3       0.75      0.72      0.73       152
   4       0.66      0.31      0.42       157

编辑：tf.keras.preprocessing.image_dataset_from_directory设置shuffle = True可能会打乱类。对于val_ds，请尝试设置shuffle = False。如下所示：

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    main_folder,
    validation_split=0.1,
    subset="validation",
    shuffle = False,
    label_mode='categorical',
    seed=123,
    image_size=(dim, dim))

**编辑2：**以下是我提出的：

prediction_classes = np.array([])
true_classes =  np.array([])

for x, y in val_ds:
  prediction_classes = np.concatenate([prediction_classes,
                       np.argmax(model.predict(x), axis = -1)])
  true_classes = np.concatenate([true_classes, np.argmax(y.numpy(), axis=-1)])

分类报告：

print(classification_report(true_classes, prediction_classes))

              precision    recall  f1-score   support

         0.0       0.74      0.81      0.77      1162
         1.0       0.80      0.72      0.75      1179

    accuracy                           0.77      2341
   macro avg       0.77      0.77      0.76      2341
weighted avg       0.77      0.77      0.76      2341

我在那里，我有同样的问题，对我来说，这是不够的，有一个softmax层和shuffle = False.事实上，设置shuffle = False在image_dataset_from_directory我有以下问题：train_ds仅包含5个类中的3个，瓦尔_ds包含5个类中的2个（在不创建异质样本的情况下进行拆分）
如果有帮助的话，我被建议做以下事情：

• 要仅创建2个文件夹（无论您的类数如何）：列车文件夹和验证文件夹。它们必须包含整个列车的混洗部分。
• 使用标签的sklearn.model_selection.train_test_split（带分层参数）来创建包含异质样本的文件夹。
• 调用image_dataset_from_directory时，不要将其拆分为确认中的train，而是调用不同的文件夹（train文件夹和确认文件夹），现在两者都使用shuffle = False。

我在这里遇到的一个问题是我的数据集是批处理的。一种方法是将batch_size设置为1：

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    base_dir,
    labels='inferred',
    validation_split=0.2,
    subset="validation",
    label_mode='int',
    seed=1337,
    color_mode="rgb",
    image_size=(150,150),
    batch_size=1,
   # shuffle=True
)

然后照常拟合模型得到分类报告如下：

from sklearn.metrics import classification_report
import numpy as np
y_true = []
y_pred=[]
for images, labels in val_ds.as_numpy_iterator():
    y_pred_probs = conv_model.predict(images, batch_size=1, verbose=0)
    y_pred_classes = np.argmax(y_pred_probs, axis=1)
    y_true.extend(labels)
    y_pred.extend(y_pred_classes)

# Convert the true labels to class labels
#y_true_classes = np.argmax(y_true, axis=0)

# Generate a classification report
report = classification_report(y_true, y_pred)

print(report)

希望这个有用。