与validation_data相比，使用validation_split进行Keras fit可获得更高的结果

Question

我正在使用以下 fit 函数：

history = model.fit(x=[X1_train, X2_train, X3_train],
                y=y_train,
                batch_size=50,
                epochs=20,
                verbose=2,
                validation_split=0.3,
                #validation_data=([X1_test, X2_test, X3_test], y_test),
                class_weight={0:1, 1:10})

，并且平均val_acc为0.7。但是，当再次运行时，这次使用validation_data选项（使用我保留的同一数据集中的数据，大小约为火车数据的30％），我得到的平均val_acc为0.35。有什么理由得到这种差异？

Answer 1

根据OP的要求，我将发表评论作为答案，并尝试详细说明：

设置validation_split参数时，将从训练数据和标签（即X_train和y_train）的最后一个样本中选择验证样本。现在，在这种特定情况下，如果这些选定样本中类别标签的比例与您使用validation_data参数提供的数据中类别标签的比例不同，那么您不必一定会期望验证损失在这两种情况下要相同。那仅仅是因为您的模型在每个类上的准确性可能不同。