我的网络在我的数据集上达到了96％的准确性（编辑：预测9个类）。每次运行时，我都会为每个时期（包括重量）保存整个模型。我运行了3次，每次测试不同的超参数，每次都达到约96％的准确性。
当我尝试立即加载这些测试中的任何一个并再次运行时，它的准确率约为50％。我非常有信心在同一数据集上运行它。
这是有趣的事情：如果我训练一个具有完全相同的体系结构，相同的大小，形状等的新网络实例，则只能达到最高85％的精度。此外，保存并加载这些新的训练模型可以正确执行 ，因为该模型将达到相同的85％准确性。
因此，我的数据集存在 no 问题，而 no 问题。发生这种情况的唯一方法是，在我的自定义层中出现问题或发生其他事情。
不幸的是，我尚未将对定制层的所有更改都提交给git。尽管我不能保证自定义图层完全相同，但我几乎完全有信心。
有什么想法可以引起这种差异？
编辑：要添加更多上下文，请从ConvLSTM2d类中剥离该层，但我将call（）函数替换为简单的使用卷积而不是点积的普通RNN。我 am 确信call（）函数与以前相同，但是我不确定该类的其余部分是否相同。班上还有其他可能影响表现的内容吗？我已经检查了激活功能。
答案 0 :(得分：1)
好吧，让我们考虑一下，基本上有两个可能导致问题的原因。您的自定义图层不同，因此某些权重设置不正确，这会导致分类错误。如果是二进制分类，那么平衡数据的准确率将达到50％。
第二个可能的原因是，threre是keras序列化中的错误。在这种情况下，反序列化后，新的经过训练和保存的模型也应显示此问题。
虽然我不能保证自定义图层完全相同，但我几乎完全有把握。
因此，使用新模型无法再现该问题，您的准确性为50％，并且不能保证自定义图层匹配。 ->我想这是您的自定义图层。
答案 1 :(得分：1)
我最终找到了答案。
我已经实现了自定义Lambda层来处理重塑。该层难以加载。具体地说，它以任意间隔将一维重塑为二维。每次我加载模型时，该间隔默认为一个特定值，即使它不正确。当我强制将其设置为正确的时间间隔时，它将起作用。