Python keras.metrics.accurity（）和“；“准确度”；

我一直在测试构建nn模型的不同方法（tensorflow、keras），我发现在编译模型的过程中度量有一些奇怪的地方

我选择了两种方式：

    model.compile(
        loss=keras.losses.CategoricalCrossentropy(),
        optimizer=keras.optimizers.Adam(),
        metrics=keras.metrics.Accuracy()
    )

及

第一种方法的结果：

    Epoch 1/2
    1875/1875 - 2s - loss: 0.0494 - accuracy: 0.0020
    Epoch 2/2
    1875/1875 - 2s - loss: 0.0401 - accuracy: 0.0030

    <tensorflow.python.keras.callbacks.History at 0x7f9c00bc06d8>

    Epoch 1/2
    1875/1875 - 2s - loss: 0.0368 - accuracy: 0.9884
    Epoch 2/2
    1875/1875 - 2s - loss: 0.0303 - accuracy: 0.9913

    <tensorflow.python.keras.callbacks.History at 0x7f9bfd7d35c0>

时代1/2 1875/1875-2s-损耗：0.0494-精度：0.0020 纪元2/2 1875/1875-2s-损耗：0.0401-精度：0.0030 第二种方法的结果：

    Epoch 1/2
    1875/1875 - 2s - loss: 0.0494 - accuracy: 0.0020
    Epoch 2/2
    1875/1875 - 2s - loss: 0.0401 - accuracy: 0.0030

    <tensorflow.python.keras.callbacks.History at 0x7f9c00bc06d8>

    Epoch 1/2
    1875/1875 - 2s - loss: 0.0368 - accuracy: 0.9884
    Epoch 2/2
    1875/1875 - 2s - loss: 0.0303 - accuracy: 0.9913

    <tensorflow.python.keras.callbacks.History at 0x7f9bfd7d35c0>

时代1/2 1875/1875-2s-损耗：0.0368-精度：0.9884 纪元2/2 1875/1875-2s-损耗：0.0303-精度：0.9913 这很奇怪，我认为“准确性”与keras.metrics.accurity（）完全相同。 至少在参数“loss”和“optimizer”中是这样，例如，“adam”与keras.optimizers.adam（）相同。 有人知道为什么这么奇怪或者我错过了什么吗

编辑：

在[]中使用度量的方法也会产生奇怪的结果：

    model.compile(
        loss=keras.losses.CategoricalCrossentropy(),
        optimizer=keras.optimizers.Adam(),
        metrics=[keras.metrics.Accuracy()]
    )

    Epoch 1/2
    1875/1875 - 2s - loss: 0.2996 - accuracy: 0.0000e+00
    Epoch 2/2
    1875/1875 - 2s - loss: 0.1431 - accuracy: 1.8333e-05

    <tensorflow.python.keras.callbacks.History at 0x7f9bfd1045f8>

model.compile(
损失=keras.loss.CategoricalCrossentropy（），
optimizer=keras.optimizers.Adam（），
metrics=[keras.metrics.accurity（）]
)
纪元1/2
1875/1875-2s-损耗：0.2996-精度：0.0000e+00
纪元2/2
1875/1875-2s-损耗：0.1431-精度：1.8333e-05

这是因为您必须在列表中指定指标。试试这个：

model.compile(
        loss=keras.losses.CategoricalCrossentropy(),
        optimizer=keras.optimizers.Adam(),
        metrics=[keras.metrics.Accuracy()]
    )

你应该得到同样的结果

编辑：

---

keras.metrics.accurity（）

计算预测的相等性与基本事实之间的准确性。在您的情况下，您需要在正确的类中计算匹配的准确性。因此，您应该根据您的问题使用

keras.metrics.BinaryAccuracy（）

或

keras.metrics.categroicalcuracy（）

。

当您提到

keras.metrics.Accuracy（）时

您明确要求库计算度量

精度

，这是多少目标值与预测值之间的简单比较

但是，当您提到字符串

精度

时，根据您选择的损失类型，会选择不同的

度量标准

。这是Keras文件中提到的

当您传递字符串'accurity'或'acc'时，我们将其转换为tf.keras.metrics.BinaryAccuracy、tf.keras.metrics.categialAccuracy、tf.keras.metrics.sparsecategoricaccuracy中的一个，具体取决于使用的损失函数和模型输出形状。我们还对字符串“crossentropy”和“ce”进行了类似的转换。

因此，由于

CategoricalCrossEntropy

是损失，因此在案例2中计算了

categoricalaccurity

。这是基于找到argmax，然后比较一个热编码。因此，您在案例2中看到了更好的精度值，在案例1中看到了非常糟糕的精度值

因此字符串

accurity

并不总是表示度量函数

accurity（）

不同指标的解释，以供参考

参数

指标的说明

供参考，

---

我也这么认为，但这并不能解决问题-我编辑了我的帖子，检查了文档和准确性（）计算标签和pred相等的次数（不是匹配，而是相同的值），因此准确性几乎等于0。因此，如果您想通过与标签的正确匹配来计算精度，您应该尝试BinaryAccurance（）（或Category Accurance（））。我编辑我的答案。尝试

metrics=[keras.metrics.category\u accurity]