Question

我将ImageDataGenerator（validation_split）.flow_from_directory（子集）用于我的训练和验证集。因此，训练和验证数据将获得自己的生成器。

训练完数据后，我在验证生成器上运行model.evaluate（）并获得了约75％的准确性。但是，当我在同一验证生成器上运行model.predict（）时，准确性下降到1％。

该模型是根据分类交叉熵损失和准确性度量标准编译的多类CNN，应将其默认为分类准确性。＃编辑：仍改为分类准确性。

# Compile

learning_rate = tf.keras.optimizers.schedules.PolynomialDecay(initial_learning_rate=initial_lr,
                                                              decay_steps=steps,
                                                              end_learning_rate=end_lr)

model.compile(optimizer=tf.keras.optimizers.RMSprop(learning_rate),
              loss='categorical_crossentropy',
              metrics=['categorical_accuracy'])

# Validation set evaluation

val_loss, val_accuracy = model.evaluate(val_generator,
                                        steps=int(val_size/bs)+1)
print('Accuracy: {}'.format(val_accuracy))

# Validation set predict

y_val = val_generator.classes

pred = model.predict(val_generator,
                     verbose=1
                     steps=int(val_size/bs)+1)

accuracy_TTA = np.mean(np.equal(y_val, np.argmax(pred, axis=-1)))
print('Accuracy: {}'.format(accuracy_TTA))

Answer 1

来自model.evaluate和model.predict的准确性值各不相同的问题似乎可以通过创建具有相同种子的ImageDataGenerator（）的单独实例来解决。

此外，有时在训练KeyInterrupts或加载检查点期间，应重新初始化生成器实例，因为可能会出现问题。

Tensorflow CNN模型的模型。评估和模型。预测之间的准确性之间存在巨大差异

1 个答案: