Question

我最近一直在使用TF2.0。我已经训练了一个简单的CNN模型（使用Keras顺序API）来对图像进行二进制分类。我已经使用tf.data.Dataset从磁盘加载图像。实际上，该模型具有非常好的准确性，其训练精度binary_accuracy为0.9831，验证精度binary_accuracy为0.9494。

尝试使用model.evaluate（）评估模型。二进制精度为0.9460。但是，当我尝试使用predict_classes（）手动计算二进制精度时，我得到约0.384。我不知道这是什么问题。请帮帮我。

我添加了用于编译和训练模型的代码。还有评估我的模型的代码。

train_data = tf.data.Dataset.from_tensor_slices((tf.constant(train_x),tf.constant(train_y)))
val_data = tf.data.Dataset.from_tensor_slices((tf.constant(val_x),tf.constant(val_y)))

train_data = train_data.map(preproc).shuffle(buffer_size=100).batch(BATCH_SIZE)
val_data = val_data.map(preproc).shuffle(buffer_size=100).batch(BATCH_SIZE)

model.compile(optimizer=Adam(learning_rate=0.0001),
              loss='binary_crossentropy',
              metrics=[tf.keras.metrics.BinaryAccuracy()])

checkpointer = ModelCheckpoint(filepath='weights.hdf5', verbose=1, save_best_only=True)

time1 = time.time()
history = model.fit(train_data.repeat(),
                    epochs=EPOCHS,
                    steps_per_epoch=STEPS_PER_EPOCH,
                    validation_data=val_data.repeat(),
                    validation_steps=VAL_STEPS,
                    callbacks=[checkpointer])

29/29 [==============================] - 116s 4s/step - loss: 0.0634 - binary_accuracy: 0.9826 - val_loss: 0.1559 - val_binary_accuracy: 0.9494

现在使用看不见的数据进行测试

test_data = tf.data.Dataset.from_tensor_slices((tf.constant(unseen_faces),tf.constant(unseen_labels)))
test_data = test_data.map(preproc).batch(BATCH_SIZE)

model.evaluate(test_data)

9/9 [==============================] - 19s 2s/step - loss: 0.1689 - binary_accuracy: 0.9460

同一模型，当我尝试使用具有相同数据集的model.predict_classes计算准确性时，预测结果与评估报告相去甚远。二进制精度约为38％。

修改1： 我在训练时使用的预处理功能

def preproc(file_path,label):
    img = tf.io.read_file(file_path)
    img = tf.image.decode_jpeg(img)
    img = (tf.cast(img, tf.float32)/127.5) - 1
    return tf.image.resize(img,(IMAGE_HEIGHT,IMAGE_WIDTH)),label

手动预测代码

from sklearn.metrics import classification_report

#Testing preprocessing function
def preproc_test(file_path):
    img = tf.io.read_file(file_path)
    img = tf.image.decode_jpeg(img)
    img = (tf.cast(img, tf.float32)/127.5) - 1
    return tf.image.resize(img,(IMAGE_HEIGHT,IMAGE_WIDTH))

unseen_faces = []
unseen_labels = []
for im_path in glob.glob('dataset/data/*'):
    unseen_faces.append(im_path)
    if 'real' in i:
        unseen_labels.append(0)
    else:
        unseen_labels.append(1)

unseen_faces = list(map(preproc_test,unseen_faces))
unseen_faces = tf.stack(unseen_faces)

predicted_labels = model.predict_classes(unseen_faces)

print(classification_report(unseen_labels,predicted_labels,[0,1]))

              precision    recall  f1-score   support

           0       0.54      0.41      0.47        34
           1       0.41      0.54      0.47        26

    accuracy                           0.47        60
   macro avg       0.48      0.48      0.47        60
weighted avg       0.48      0.47      0.47        60

Answer 1

您的模型在training和testing期间都表现良好。评估准确性是基于预测的，因此使用model.predict_classes()时可能会犯一些逻辑错误。评估时，请检查您是否使用训练有素的模型权重，而不是任何随机初始化的模型。

evaluate：模型将分开训练数据的这一部分，不对其进行训练，并且将在每个时期结束时评估该数据的损失和任何模型度量。 model.evaluate()用于评估您训练有素的模型。它的输出是准确或丢失，而不是对输入数据的预测。

predict：为输入样本生成输出预测。 model.predict()实际上是预测值，其输出是根据输入数据预测的目标值。

P.S .：对于二元分类问题，准确度<= 50％比随机猜测差。

Answer 2

在我的情况下，这是因为我的地面真理和预测结果的形状不同。我正在按(x_train, y_train), (x_test, y_test) = cifar10.load_data()加载数据，其中y_train是形状为(50000,1)的二维数组，但是来自model.predict_classes的预测是形状为(50000,)。如果我直接用np.mean(pred==y_train)比较它们，我将得到0.1的结果，这是不正确的。而是np.mean(pred==np.squeeze(y_train))给出正确的结果。

Keras模型的valuate（）与predict_classes（）给出了不同的准确性结果

2 个答案: