模型分类结果都分到一类

在做活体检测的时候，出现这样的结果，4000张假脸全部认为是真脸，非常不合理，
理论上二分类就算是瞎猜也应该有0.5的概率判断是对的，
出现这种可能的原因是样本不均衡，但我的不属于这种，最后的原因是测试时候的预处理和模型训练中不一样，更改后结果正确。
注意维度、图片的预处理、还有图片读入的方式，模型训练中用的 Image.open 读入的图片，而我的离线测试代码中用的cv2.imread(), 还有ndarray转换为tensor的方法都应与训练时保持一致。

注意！！！预处理会影响模型的效果，影响还不是一点点，所以在代码设计的时候，就应该只写一个预处理函数，保证训练和测试的图片在读入后都进行了相同的处理。

def preprocess(image):
    img = Image.open(image)
    img = np.asarray(img, dtype='uint8')
    img = cv2.resize(img, (112, 112))
    img = img.reshape((112, 112, 1))
    img = np.concatenate((img, img, img), axis=-1)
    # print(img.shape)
    img = np.transpose(img, (2, 0, 1))
    # img = img.reshape([3, 112, 112])
    # print(img.shape)
    img = img.astype(np.float32)
    img1 = cv2.Scharr(img, cv2.CV_8U, 0, 1)  # cv2.Sobel(img, cv2.CV_8U, 0, 1)
    img2 = cv2.Scharr(img, cv2.CV_8U, 1, 0)
    img = np.abs(img1) + np.abs(img2)
    img = img[np.newaxis, :, :, :]
    # print(img.shape)
    return torch.FloatTensor(img)