Warum unterscheidet sich die Genauigkeit zwischen Keras model.fit und model.evaluate?

Question

Ich versuche, ein Keras-Modell anzupassen und sowohl das History-Objekt zu verwenden als auch die -Funktion auszuwerten, um zu sehen, wie gut das Modell funktioniert. Der Code zu berechnen, so ist unter:

optimizer = Adam (lr=learning_rate) 
model.compile(loss='categorical_crossentropy', 
       optimizer=optimizer, 
       metrics=['accuracy') 
for epoch in range (start_epochs, start_epochs + epochs): 
    history = model.fit(X_train, y_train, verbose=0, epochs=1, 
       batch_size=batch_size, 
       validation_data=(X_val, y_val)) 

    print (history.history) 
    score = model.evaluate(X_train, y_train, verbose=0) 
    print ('Training accuracy', model.metrics_names, score) 
    score = model.evaluate(X_val, y_val, verbose=0) 
    print ('Validation accuracy', model.metrics_names, score) 

Zu meiner Überraschung der Genauigkeit und Verlust Ergebnisse des Trainingssatzes unterscheiden zwischen Geschichte und bewerten. Da die Ergebnisse für den Validierungssatz gleich sind, scheint es einige Fehler von meiner Seite zu geben, aber ich kann nichts finden. Ich habe die Ausgabe für die ersten vier Epochen unten angegeben. Ich habe die gleichen Ergebnisse für metrisch 'mse': Trainingsset unterscheidet sich, Testset gleich. Hat jemand eine Idee?

{'val_loss': [13.354823187591416], 'loss': [2.7036468725265874], 'val_acc': [0.11738484422572477], 'acc': [0.21768202061048531]} 
Training accuracy ['loss', 'acc'] [13.265716915499048, 0.1270430906536911] 
Validation accuracy ['loss', 'acc'] [13.354821096026349, 0.11738484398216939] 

{'val_loss': [11.733116257598105], 'loss': [1.8158155931229045], 'val_acc': [0.26745913783295899], 'acc': [0.34522040671733062]} 
Training accuracy ['loss', 'acc'] [11.772184015560292, 0.26721149086656992] 
Validation accuracy ['loss', 'acc'] [11.733116155570542, 0.26745913818722139] 

{'val_loss': [7.1503656643815061], 'loss': [1.5667824202566349], 'val_acc': [0.26597325444044367], 'acc': [0.44378405117114739]} 
Training accuracy ['loss', 'acc'] [7.0615554528994506, 0.26250619121327617] 
Validation accuracy ['loss', 'acc'] [7.1503659895943672, 0.26597325408618128] 

{'val_loss': [4.2865109046890693], 'loss': [1.4087548087645783], 'val_acc': [0.13893016366866509], 'acc': [0.49232293093422957]} 
Training accuracy ['loss', 'acc'] [4.1341019072350802, 0.14338781575775195] 
Validation accuracy ['loss', 'acc'] [4.2865103747125541, 0.13893016344725112] 

Answer 1

Es gibt nichts, überrascht werden, sind die Messwerte auf dem Trainingssatz nur der Mittelwert über alle Chargen während des Trainings, da die Gewichte mit jedem Charge ändern.

Mit model.evaluate werden die Modellgewichte beibehalten und der Verlust/die Genauigkeit für die gesamten eingegebenen Daten berechnet. Wenn Sie den Verlust/die Genauigkeit des Trainingssets haben wollen, müssen Sie model.evaluate verwenden und den Trainingssatz bestehen zu ihm. Das Verlaufsobjekt hat nicht den wahren Verlust/die richtige Genauigkeit auf dem Trainingssatz.