keras.evaluate（）准确性之间的差异e通过预测手动计算的准确性：多标签分类

Question

我正在使用keras进行多标签分类。我使用' binary_crossentropy '作为损失函数， metrics = ['accuracy'] ，' sigmoid ”作为激活。

在培训期间，我看到了90％以上的准确性，而且在测试集上使用 evaluate 我也有类似的感觉。 如果我尝试使用 predict 模块手动计算准确度，则训练集上的准确度也会大大降低45％。

这是模型：

model = keras.models.Sequential()

model.add(keras.layers.Conv2D(8, kernel_size=3, strides=2, activation='relu', input_shape=(N_qubits, N_qubits,2)))

model.add(keras.layers.Conv2D(16, kernel_size=2, activation='relu'))
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(128, activation='relu'))
model.add(keras.layers.Conv2D(32, kernel_size=1, activation='relu'))
model.add(keras.layers.GlobalMaxPooling2D())
model.add(keras.layers.Dense(units=y_train.shape[1], activation='sigmoid'))


adam_optimizer = keras.optimizers.adam()

model.compile(loss='binary_crossentropy', optimizer=adam_optimizer, metrics=['accuracy'])


history = model.fit(X_train, y_train, batch_size=150, epochs=1000, verbose=1, validation_split=0.05)

在这里使用评估（）

results = model.evaluate(X_test, y_test, batch_size=128)

在这里，当我使用predict（）

y_pred_train = model.predict(X_train)
y_pred_test = model.predict(X_test)