Keras模型分类很好，但预测概率始终为1.0或0.0

Question

我正在使用Keras构建一个多类（3个类）图像分类器。我用大约2000张图像的数据集训练了以下模型（1500次训练/ 500次验证）。

batch_size = 128
nb_classes = 3
nb_epoch = 25
img_rows, img_cols = 128, 128
input_shape = (1, img_rows, img_cols)

Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()
model.add(Convolution2D(32, 5, 5, border_mode='same', input_shape=input_shape))
model.add(Activation('relu'))
model.add(Convolution2D(64, 5, 5, border_mode='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.2))
model.add(Flatten()) 
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.25))
model.add(Dense(nb_classes, activation='softmax'))

lrate = 0.001
decay = lrate/nb_epoch
sgd = SGD(lr=lrate, momentum=0.9, decay=decay, nesterov=False)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
history = model.fit(X_train, Y_train,
              batch_size=batch_size,
              nb_epoch=nb_epoch,
              validation_data=(X_test, Y_test),
              shuffle=True,
              callbacks=early_stopping)

这些是培训/验证准确性和损失的数据。

我在另一个单独的图像块上（除了2000个数据集）实现了95％的训练精度，92％的验证精度和94％的图像。

因此，该模型似乎分类合理。但是，我的问题是输入图像的预测概率（通过函数predict_proba（）获得）始终为1.0或0.0。同样，如果我输入的图像不属于这3个类别中的任何一个，我会期望一些低概率（在最相似的类别中可能更高），但是我仍然在其中一个类别中获得1.0，而在一个类别中获得0.0其他。

是什么原因造成的？在我看来，没有过度拟合的地方。该模型有问题吗？难道是每个类别的图像在它们之间都非常相似，所以该模型很快就对其决策过于自信了吗？