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：

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