Question

对于二进制分类问题，我得到的模型精度与keras evaluate_generator()和predict_generator()不同：

def evaluate_model(model, generator, nBatches):
    score = model.evaluate_generator(generator=generator,               # Generator yielding tuples
                                     steps=generator.samples//nBatches, # number of steps (batches of samples) to yield from generator before stopping
                                     max_queue_size=10,                 # maximum size for the generator queue
                                     workers=1,                         # maximum number of processes to spin up when using process based threading
                                     use_multiprocessing=False,         # whether to use process-based threading
                                     verbose=0)
    print("loss: %.3f - acc: %.3f" % (score[0], score[1]))

使用evaluate_generator()，我得到的acc值最高为 0.7 。

def evaluate_predcitions(model, generator):
    predictions = model.predict_generator(generator=generator,
                                    steps=generator.samples/nBatches,
                                    max_queue_size=10,
                                    workers=1,
                                    use_multiprocessing=False,
                                    verbose=0)

    # Evaluate predictions
    predictedClass = np.argmax(predictions, axis=1)
    trueClass = generator.classes
    classLabels = list(generator.class_indices.keys())

    # Create confusion matrix
    confusionMatrix = (confusion_matrix(
        y_true=trueClass,                                       # ground truth (correct) target values
        y_pred=predictedClass))                                 # estimated targets as returned by a classifier
    print(confusionMatrix)

使用predict_generator()，我得到的acc值为 0.5 。我正在将acc计算为(TP+TN)/(TP+TN+FP+FN)

我是对的，来自acc的{{1}}是基于evaluate_generator()的吗？
当我使用相同的数据和生成器时，TP+TN/(TP+TN+FP+FN)有何不同？

Answer 1

解决此问题（evaluate_generate和predict_generator精度）。您只需要在代码中做三件事：

（1）设置

test_datagen.flow_from_directory

在test_datagen.flow_from_dataframe或workers = 0中，

（2）设置

model.predict_generator

trueClass = generator.classes[generator.index_array]和（3）更改

JSONArray snippet = jsonObject.getJSONArray("items");

这些更改将使您的程序在主线程上执行，保留索引并与图像ID匹配。然后，两个精度应该相同。

Keras：如何评估模型的准确性（evaluate_generator与predict_generator）？

1 个答案: