对于二值图像分类问题（使用 tf.keras 的 CNN）。我的图像数据被分成文件夹（训练、验证、测试），每个文件夹都有两个平衡类的子文件夹。借用本教程中的代码，我最初以这种方式加载我的训练和验证集：

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    train_path,
    validation_split=0.2,
    subset="training",
    seed=42,
    image_size=image_size,
    batch_size=batch_size,
)
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    train_path,
    validation_split=0.2,
    subset="validation",
    seed=42,
    image_size=image_size,
    batch_size=batch_size,
)

请注意，我从同一个文件夹加载训练和验证，然后使用validation_split（因为我想在使用真正的验证集之前先玩一下）。我的模型表现非常好，验证准确度约为 0.95。

然后我决定更新我的代码以加载真正的验证集：

train_ds = image_dataset_from_directory(
    train_path,
    seed=42,
    image_size=image_size,
    batch_size=batch_size,
)

val_ds = image_dataset_from_directory(
    val_path,
    seed=42,
    image_size=image_size,
    batch_size=batch_size,
)

现在我的模型表现得更差了（~0.75 准确度）。我试图理解为什么。我怀疑我的初始代码导致了一些数据泄漏。现在我看了一下，我不知道第二次调用 image_dataset_from_directory（对于 val_ds）如何知道不加载已经为第一次调用（对于 train_ds）加载的图像（除非具有相同的随机种子可以防止这种情况）。我可以肯定这是问题所在，除了我直接从 keras.io 教程中提取了这段代码——他们肯定不会犯这样的基本错误吗？

主要问题：鉴于validation_split与subset交互的方式，image_dataset_from_directory()我的代码的第一个版本是否会导致数据泄漏？

如果它不应该导致训练集和验证集之间的数据泄漏，那么我将需要考虑其他可能性，例如：

• 训练集和验证集文件夹中的图像之间存在实际差异。我可以合并并重新洗牌。
• 训练文件夹中图像的顺序是这样的，即给定我的随机种子“更容易”的图像被提取用于验证集。