Question

我使用keras数据增强来执行图像分类（十级图像）。最后一次训练时期的结果如下：

Epoch 50/50
4544/4545 [============================>.] - ETA: 0s - loss: 0.7628 - acc: 0.7359 loss:  0.762710434054
New learning rate:  0.00214407973866
4545/4545 [==============================] - 115s - loss: 0.7627 - acc: 0.7360 - val_loss: 0.5563 - val_acc: 0.8124

然后通过以下方式评估训练模型：

scores = model.evaluate_generator(test_generator,1514) #1514 testing images
print("Accuracy = ", scores[1])

它导致以下结果：

('Accuracy = ', 0.80713342132152621)

准确性与上一次训练时期的准确性不完全相同。我不明白其中的差异，即使它是微不足道的。

此外，model.predict_generator给出了完全不同的结果，如下所示：

array([[  4.98306963e-06,   1.83774697e-04,   5.49453034e-05, ...,
      9.25193787e-01,   7.74697517e-04,   5.79946618e-06],
   [  2.06657965e-02,   2.35974863e-01,   2.66802781e-05, ...,
      2.16283044e-03,   8.42395966e-05,   2.46680051e-04],
   [  1.40222355e-05,   1.22740224e-03,   7.52218883e-04, ...,
      3.76749843e-01,   3.85622412e-01,   6.47417846e-06],
   ..., 
   [  9.94064331e-01,   1.30184961e-03,   1.08694976e-05, ...,
      1.25828717e-06,   2.29093766e-05,   9.01326363e-04],
   [  7.10375488e-01,   2.01397449e-01,   3.10241080e-06, ...,
      3.66877168e-10,   1.66322934e-05,   1.93767438e-08],
   [  8.13350256e-04,   2.67575349e-04,   6.79878794e-05, ...,
      8.63052785e-01,   9.70983761e-04,   8.54507030e-04]], dtype=float32)

我不知道矩阵代表什么，以及model.evaluate_generator和model.predict_generator之间有什么区别。

注意，所得阵列的形状为1514×10。该阵列应该是每组测试图像的预测概率。如果是这样，如何根据结果计算混淆矩阵？

Answer 1

df1['B'] = df1['A'].where(df1.A < df2.A, df2.A)获取您的测试数据并为您提供输出。

predict_generator使用您的测试输入和输出。它首先使用训练输入预测输出，然后通过将其与测试输出进行比较来评估性能。因此，它给出了一种性能指标，即您的情况下的准确性。

Answer 2

要绘制混淆矩阵，您需要从sklearn中导入“ sayd”

from sklearn.metrics import confusion_matrix
import itertools
import matplotlib.pyplot as plt

要绘制混淆矩阵，test_labels，类（最后一个完全连接的层的输出数，即输出层）。看来您已经弄清楚了这一部分。接下来，您需要test_labels和预测都具有相同的维度，可以使用np.reshape和np.transpose获得所需的结果。对于语法和定义，您可以按照下面提到的链接

https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html

https://docs.scipy.org/doc/numpy/reference/generated/numpy.transpose.html

现在要绘制混淆矩阵，您可以使用sklearns文档中的代码

https://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html

谢谢。希望对您有帮助。

Answer 3

我有类似的问题，我解决了在生成器中设置shuffle = False的问题。我的猜测是，如果火车批次不是多个元素，则不考虑最后一个不完整的批次，并且对随机排除的元素进行混洗会严重改变结果。

Keras：model.evaluate_generator和model.predict_generator之间有什么区别

3 个答案: