python - Keras - model.predict_classes 给出了错误的标签

Question

我的模型是这样的

print('Build main model...')
model = Sequential()
model.add(Merge([left, right], mode='sum'))
model.add(Dense(14, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])            

当我使用 model.evaluate([xtest1, xtest2], y_test) 时，我得到了 90% 的准确率，但是当我使用 model.predict_classes([x_test1, x_xtest2]) 时，我得到了完全错误的类标签，由此我的准确性显着下降。 model.evaluate 和 model.predict_classes 模式有什么区别？我在哪里犯了错误？

Answer 1

由于您在模型编译中要求 loss='binary_cross_entropy' 和 metric=['accuracy']，Keras 推断您对 二进制精度，这是它在 model.evaluate() 中返回的值；事实上，由于您有 14 个类，您实际上对分类 准确性感兴趣，这是通过 model.predict_classes() 报告的准确性。

因此，您应该将模型编译中的损失函数更改为categorical_crossentropy:

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 

如果出于某种原因，你想坚持使用 loss='binary_crossentropy'(诚然，这将是一个非常不寻常的选择)，你应该更改模型编译以阐明你想要分类准确度如下:

from keras.metrics import categorical_accuracy
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=[categorical_accuracy])

在这两种情况下，您会发现 model.evaluate() 和 model.predict_classes() 报告的准确度是相同的，因为它们应该是.

有关更详细的解释和使用 MNIST 数据的示例，请参阅 my answer here .