Question

我使用Keras的VGG16进行了一段时间的工作，并在我自己的4类数据集上进行了微调之后，训练似乎进行得很好，训练和验证集的准确性提高了，最后，甚至使用{ {1}}在测试数据方面具有良好的准确性。我尝试了model.evaluate()，它也显示出很好的分类结果。为了确认，我尝试使用以下方法对数据集中的图像进行预测：

confusion_matrix

我只为1类（类0）加载流帧，但是只有30％的图片被正确分类，而在另一类（类1）中，它是50％正确分类。鉴于我训练时的准确性超过85％，并且混淆矩阵显示出非常好的结果，我发现这非常不正常。我在网上查看了所有可能的原因，但是找不到出了什么问题...是否存在一个已知的问题可以解释结果的差异？

编辑：

我基本上不带top地加载Keras vgg，添加我自己的分类器并像这样编译模型：

im = cv2.resize(frame,(image_size, image_size), interpolation = cv2.INTER_AREA)

#convert the image pixels to a numpy array
framer = img_to_array(im)             
image = framer.reshape((1, framer.shape[0], framer.shape[1], framer.shape[2]))

# prepare the image for the VGG model
image = preprocess_input(image)  

label = FLOW1_model.predict_classes(image, verbose=0)

Answer 1

据我所知，在多类输出的情况下，您不能使用predict_classes（）方法。您是否已经尝试过：

FLOW1_model.predict(image, verbose=0)

Keras模型的valuate（）和predict_classes（）给出了矛盾的结果

1 个答案: