除非输入被翻转，否则恢复的Tensorflow模型始终输出相同的预测

Question

我恢复的Tensorflow图像分类器为所有输入输出相同的预测，除非我使用OpenCV翻转图像并同时将原始图像和镜像传递给模型。只传递一个或另一个导致相同的预测。为什么会这样？

import cv2
import numpy as np


# Import restored Tensorflow model
sess = tf.Session()
saver.restore(sess, checkpoint_file_path)
graph = tf.get_default_graph()
make_logits = graph.get_operation_by_name("logits")
logits = make_logits.outputs[0]

image = np.random.rand(240, 320, 3)
flipped = cv2.flip(random_image, 1)

print(logits.eval(feed_dict={x: [image]}, session=sess))
# result: [[-0.0784276   0.40849224  0.01139636]]

print(logits.eval(feed_dict={x: [image,flipped]}, session=sess))
# result: [[ 2.49520946  2.34099054 -3.41013908]
#          [-2.6520648  -1.52400601  3.43293166]]

print(logits.eval(feed_dict={x: [flipped]}, session=sess))
# result: [[-0.0784276   0.40849224  0.01139636]]

该模型具有很高的准确性，并且我有一个平衡的数据集，所以它并不是每次都只是预测大多数类。训练和测试误差都会随着时间的推移而减少，所以我认为拟合过程是可以的。为了它的价值，我通过翻转图像（以及它们的标签）来增加我的训练数据集，但我不明白为什么这会产生影响。

丑陋的黑客/解决方法是始终输入图像 - 镜像对，然后只获取原始结果并丢弃镜像的结果。当我这样做时，模型具有高精度，但解决方案感觉很荒谬。