Keras 凯拉斯:model.evaluate\u生成器和model.predict\u生成器之间有什么区别
我使用keras数据增强来执行图像分类(十类图像)。最后一次训练的结果如下:Keras 凯拉斯:model.evaluate\u生成器和model.predict\u生成器之间有什么区别,keras,Keras,我使用keras数据增强来执行图像分类(十类图像)。最后一次训练的结果如下: Epoch 50/50 4544/4545 [============================>.] - ETA: 0s - loss: 0.7628 - acc: 0.7359 loss: 0.762710434054 New learning rate: 0.00214407973866 4545/4545 [==============================] - 115s - los
Epoch 50/50
4544/4545 [============================>.] - ETA: 0s - loss: 0.7628 - acc: 0.7359 loss: 0.762710434054
New learning rate: 0.00214407973866
4545/4545 [==============================] - 115s - loss: 0.7627 - acc: 0.7360 - val_loss: 0.5563 - val_acc: 0.8124
array([[ 4.98306963e-06, 1.83774697e-04, 5.49453034e-05, ...,
9.25193787e-01, 7.74697517e-04, 5.79946618e-06],
[ 2.06657965e-02, 2.35974863e-01, 2.66802781e-05, ...,
2.16283044e-03, 8.42395966e-05, 2.46680051e-04],
[ 1.40222355e-05, 1.22740224e-03, 7.52218883e-04, ...,
3.76749843e-01, 3.85622412e-01, 6.47417846e-06],
...,
[ 9.94064331e-01, 1.30184961e-03, 1.08694976e-05, ...,
1.25828717e-06, 2.29093766e-05, 9.01326363e-04],
[ 7.10375488e-01, 2.01397449e-01, 3.10241080e-06, ...,
3.66877168e-10, 1.66322934e-05, 1.93767438e-08],
[ 8.13350256e-04, 2.67575349e-04, 6.79878794e-05, ...,
8.63052785e-01, 9.70983761e-04, 8.54507030e-04]], dtype=float32)
然后通过以下方式评估经过培训的模型:
scores = model.evaluate_generator(test_generator,1514) #1514 testing images
print("Accuracy = ", scores[1])
结果如下:
('Accuracy = ', 0.80713342132152621)
精度与上次训练时获得的精度不完全相同。我不明白两者之间的区别,尽管差别不大
此外,model.predict_生成器给出了完全不同的结果,即如下所示的数组:
Epoch 50/50
4544/4545 [============================>.] - ETA: 0s - loss: 0.7628 - acc: 0.7359 loss: 0.762710434054
New learning rate: 0.00214407973866
4545/4545 [==============================] - 115s - loss: 0.7627 - acc: 0.7360 - val_loss: 0.5563 - val_acc: 0.8124
array([[ 4.98306963e-06, 1.83774697e-04, 5.49453034e-05, ...,
9.25193787e-01, 7.74697517e-04, 5.79946618e-06],
[ 2.06657965e-02, 2.35974863e-01, 2.66802781e-05, ...,
2.16283044e-03, 8.42395966e-05, 2.46680051e-04],
[ 1.40222355e-05, 1.22740224e-03, 7.52218883e-04, ...,
3.76749843e-01, 3.85622412e-01, 6.47417846e-06],
...,
[ 9.94064331e-01, 1.30184961e-03, 1.08694976e-05, ...,
1.25828717e-06, 2.29093766e-05, 9.01326363e-04],
[ 7.10375488e-01, 2.01397449e-01, 3.10241080e-06, ...,
3.66877168e-10, 1.66322934e-05, 1.93767438e-08],
[ 8.13350256e-04, 2.67575349e-04, 6.79878794e-05, ...,
8.63052785e-01, 9.70983761e-04, 8.54507030e-04]], dtype=float32)
我不知道矩阵代表什么,也不知道model.evaluate\u generator和model.predict\u generator之间的区别是什么
注意,结果阵列具有1514×10的形状。数组应为测试图像集的每类预测概率。如果是,如何根据结果计算混淆矩阵?
predict\u generator
获取测试数据并给出输出
evaluate\u生成器
使用您的测试输入和输出。它首先使用培训输入预测输出,然后通过将其与测试输出进行比较来评估性能。因此,它给出了一个性能度量,即在您的情况下的准确性。要绘制混淆矩阵,您需要从sklearn导入所述的矩阵
from sklearn.metrics import confusion_matrix
import itertools
import matplotlib.pyplot as plt
为了绘制混淆矩阵,测试标签、类别(最后一个完全连接层的输出数量,即输出层)。看来你已经弄明白了这个部分。接下来,您需要测试标签和预测具有相同的维度,您可以使用np.reforme和np.transpose来获得所需的结果。有关语法和定义,您可以按照下面提到的链接进行操作
现在,要绘制混淆矩阵,可以使用SKL文档中的代码
多谢各位。希望这能对您有所帮助。我遇到了类似的问题,我解决了在生成器中设置shuffle=False的问题。
我的猜测是,如果序列批次不是元素的乘法,则不考虑最后一个不完整的批次,并且对排除的元素进行洗牌是随机的,这会显著改变结果。回答得好!我有一个问题,因为evaluate_generator返回平均精度在这种情况下,我如何知道精度的方差?谢谢